論文の概要: E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness

• arxiv url: http://arxiv.org/abs/2505.24226v1
• Date: Fri, 30 May 2025 05:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.783001
• Title: E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness
• Title（参考訳）: E^2GraphRAG:高効率・有効性グラフベースRAG
• Authors: Yibo Zhao, Jiapeng Zhu, Ye Guo, Kangkang He, Xiang Li,
• Abstract要約: 本稿では,グラフベースのRAGフレームワークであるE2GraphRAGを提案する。 E2GraphRAGはGraphRAGの最大10倍のインデックス化を実現し、LightRAGの100倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 15.829377965705746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based RAG methods like GraphRAG have shown promising global understanding of the knowledge base by constructing hierarchical entity graphs. However, they often suffer from inefficiency and rely on manually pre-defined query modes, limiting practical use. In this paper, we propose E^2GraphRAG, a streamlined graph-based RAG framework that improves both Efficiency and Effectiveness. During the indexing stage, E^2GraphRAG constructs a summary tree with large language models and an entity graph with SpaCy based on document chunks. We then construct bidirectional indexes between entities and chunks to capture their many-to-many relationships, enabling fast lookup during both local and global retrieval. For the retrieval stage, we design an adaptive retrieval strategy that leverages the graph structure to retrieve and select between local and global modes. Experiments show that E^2GraphRAG achieves up to 10 times faster indexing than GraphRAG and 100 times speedup over LightRAG in retrieval while maintaining competitive QA performance.
• Abstract（参考訳）: GraphRAGのようなグラフベースのRAG手法は、階層的なエンティティグラフを構築することによって、知識ベースに対する有望なグローバルな理解を示してきた。 しかし、多くの場合、非効率に悩まされ、手動で定義されたクエリモードに依存し、実用的な使用を制限する。 本稿では,効率と有効性を両立するグラフベースRAGフレームワークであるE^2GraphRAGを提案する。 インデックス作成の段階では、E^2GraphRAGはドキュメントチャンクに基づいて、大きな言語モデルとSpaCyを使ったエンティティグラフを備えた要約ツリーを構築する。 次に,エンティティとチャンク間の双方向インデックスを構築し,多対多の関係を捉えることにより,局所検索とグローバル検索の両方で高速な検索を可能にする。 検索段階では,グラフ構造を利用して局所モードとグローバルモードの検索と選択を行う適応型検索戦略を設計する。 実験の結果、E^2GraphRAGはGraphRAGの最大10倍のインデックス化を実現し、LightRAGの100倍の高速化を実現し、競合QA性能を維持した。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes [25.173078967881803]
  Retrieval-augmented Generation (RAG)は、大規模な言語モデルに対して、外部およびプライベートコーパスへのアクセスを許可する。 現在のグラフベースのRAGアプローチは、グラフ構造の設計をほとんど優先順位付けしない。 不適切な設計のグラフは、多様なグラフアルゴリズムのシームレスな統合を妨げるだけでなく、ワークフローの不整合をもたらす。 異種グラフ構造を導入したグラフ中心のフレームワークであるNodeRAGを提案する。
  論文  参考訳（メタデータ） (2025-04-15T18:24:00Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• HyperGraphRAG: Retrieval-Augmented Generation via Hypergraph-Structured Knowledge Representation [21.291102413159752]
  ハイパーエッジによるn-aryリレーショナル事実を表す新しいグラフベースRAG法であるHyperGraphRAGを提案する。 医学、農業、コンピュータ科学、法をまたいだ実験では、HyperGraphRAGは標準的なRAG法と従来のグラフベースのRAG法の両方で、精度、検索効率、生成品質に優れていた。
  論文  参考訳（メタデータ） (2025-03-27T10:01:16Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG [21.62060252772377]
  Graph-RAGは、Large Language Model (LLM)ベースの質問応答における検索を改善するために、テキストチャンクから知識グラフを構築する。 既存のGraph-RAGシステムでは、テキストチャンクの関連性に基づいてKNNグラフを構築しているが、この粗い粒度のアプローチでは、テキスト内のエンティティ関係をキャプチャできない。 KET-RAGは,インデクシングコストを低減しつつ,良好な結果の精度を確保するための多粒性インデックスフレームワークである。
  論文  参考訳（メタデータ） (2025-02-13T13:16:16Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。