論文の概要: GraphRAG-Causal: A novel graph-augmented framework for causal reasoning and annotation in news

• arxiv url: http://arxiv.org/abs/2506.11600v1
• Date: Fri, 13 Jun 2025 09:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.730165
• Title: GraphRAG-Causal: A novel graph-augmented framework for causal reasoning and annotation in news
• Title（参考訳）: GraphRAG-Causal:ニュースにおける因果推論とアノテーションのためのグラフ拡張フレームワーク
• Authors: Abdul Haque, Umm e Hani, Ahmad Din, Muhammad Babar, Ali Abbas, Insaf Ullah,
• Abstract要約: GraphRAG-Causalは、グラフベースの検索と大きな言語モデルを組み合わせることで、ニュース分析における因果推論を強化する。 因果分類のF1スコアは82.1%で、わずか20の例で達成されている。 このアプローチは精度と一貫性を大幅に向上させ、ニュース信頼性評価、誤情報検出、ポリシー分析におけるリアルタイムアプリケーションに非常に適している。
• 参考スコア（独自算出の注目度）: 0.48379436447082086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: GraphRAG-Causal introduces an innovative framework that combines graph-based retrieval with large language models to enhance causal reasoning in news analysis. Traditional NLP approaches often struggle with identifying complex, implicit causal links, especially in low-data scenarios. Our approach addresses these challenges by transforming annotated news headlines into structured causal knowledge graphs. It then employs a hybrid retrieval system that merges semantic embeddings with graph-based structural cues leveraging Neo4j to accurately match and retrieve relevant events. The framework is built on a three-stage pipeline: First, during Data Preparation, news sentences are meticulously annotated and converted into causal graphs capturing cause, effect, and trigger relationships. Next, the Graph Retrieval stage stores these graphs along with their embeddings in a Neo4j database and utilizes hybrid Cypher queries to efficiently identify events that share both semantic and structural similarities with a given query. Finally, the LLM Inference stage utilizes these retrieved causal graphs in a few-shot learning setup with XML-based prompting, enabling robust classification and tagging of causal relationships. Experimental evaluations demonstrate that GraphRAG-Causal achieves an impressive F1-score of 82.1% on causal classification using just 20 few-shot examples. This approach significantly boosts accuracy and consistency, making it highly suitable for real-time applications in news reliability assessment, misinformation detection, and policy analysis.
• Abstract（参考訳）: GraphRAG-Causalは、グラフベースの検索と大きな言語モデルを組み合わせた革新的なフレームワークを導入し、ニュース分析における因果推論を強化する。 従来のNLPアプローチは、特に低データシナリオにおいて、複雑で暗黙的な因果関係の特定に苦慮することが多い。 我々のアプローチは、注釈付きニュース見出しを構造化因果知識グラフに変換することでこれらの課題に対処する。 そして、Neo4jを活用するグラフベースの構造的キューとセマンティック埋め込みをマージして、関連するイベントを正確にマッチングし、取得するハイブリッド検索システムを採用する。 第一に、データ準備の間、ニュース文は慎重に注釈付けされ、因果グラフに変換され、因果関係をキャプチャし、影響し、トリガーする。 次に、グラフ検索ステージは、これらのグラフとNeo4jデータベースへの埋め込みを格納し、ハイブリッドCypherクエリを使用して、与えられたクエリとセマンティックおよび構造的類似性の両方を共有するイベントを効率的に識別する。 最後に、LLM推論段階では、これらの因果グラフをXMLベースのプロンプトによる数ショットの学習設定で利用し、因果関係の堅牢な分類とタグ付けを可能にする。 実験により、GraphRAG-Causalは、わずか20の例を用いて、因果分類において82.1%の印象的なF1スコアを達成したことが示されている。 このアプローチは精度と一貫性を大幅に向上させ、ニュース信頼性評価、誤情報検出、ポリシー分析におけるリアルタイムアプリケーションに非常に適している。

関連論文リスト

• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• 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)
• CEGRL-TKGR: A Causal Enhanced Graph Representation Learning Framework for Temporal Knowledge Graph Reasoning [7.738230390425271]
  我々は、TKGR(CEGRL-TKGR)のための革新的な因果グラフ表現学習フレームワークを提案する。 このフレームワークは、グラフに基づく表現学習における因果構造を導入し、イベント間の因果関係を明らかにする。 また, 因果表現の予測への活用を提唱し, 共起特徴による誤相関の影響を軽減することを目的とした。
  論文  参考訳（メタデータ） (2024-08-15T03:34:53Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
  多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。 本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T11:33:32Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)

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。