論文の概要: BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2507.04127v1
• Date: Sat, 05 Jul 2025 18:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.030383
• Title: BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering
• Title（参考訳）: BYOKG-RAG:知識グラフ質問応答のための多段階グラフ検索
• Authors: Costas Mavromatis, Soji Adeshina, Vassilis N. Ioannidis, Zhen Han, Qi Zhu, Ian Robinson, Bryan Thompson, Huzefa Rangwala, George Karypis,
• Abstract要約: BYOKG-RAGは知識グラフ質問応答を強化するフレームワークである。 LLM(Large Language Model)エージェントと特殊なグラフ検索ツールを組み合わせる。 異なるグラフツールからコンテキストを取得することで、BYOKG-RAGはカスタムKGよりもより汎用的で堅牢なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 38.3732958942896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph question answering (KGQA) presents significant challenges due to the structural and semantic variations across input graphs. Existing works rely on Large Language Model (LLM) agents for graph traversal and retrieval; an approach that is sensitive to traversal initialization, as it is prone to entity linking errors and may not generalize well to custom ("bring-your-own") KGs. We introduce BYOKG-RAG, a framework that enhances KGQA by synergistically combining LLMs with specialized graph retrieval tools. In BYOKG-RAG, LLMs generate critical graph artifacts (question entities, candidate answers, reasoning paths, and OpenCypher queries), and graph tools link these artifacts to the KG and retrieve relevant graph context. The retrieved context enables the LLM to iteratively refine its graph linking and retrieval, before final answer generation. By retrieving context from different graph tools, BYOKG-RAG offers a more general and robust solution for QA over custom KGs. Through experiments on five benchmarks spanning diverse KG types, we demonstrate that BYOKG-RAG outperforms the second-best graph retrieval method by 4.5% points while showing better generalization to custom KGs. BYOKG-RAG framework is open-sourced at https://github.com/awslabs/graphrag-toolkit.
• Abstract（参考訳）: 知識グラフ質問応答 (KGQA) は、入力グラフ間の構造的および意味的変異に起因する重要な課題を提示する。 既存の研究は、グラフトラバーサルと検索のためのLarge Language Model (LLM) エージェントに依存しており、これはトラバーサルの初期化に敏感なアプローチである。 我々は、LLMと特殊なグラフ検索ツールを相乗的に組み合わせることで、KGQAを強化するフレームワークであるBYOKG-RAGを紹介する。 BYOKG-RAGでは、LLMは重要なグラフアーティファクト(クエリーエンティティ、候補回答、推論パス、OpenCypherクエリ)を生成し、グラフツールはこれらのアーティファクトをKGにリンクし、関連するグラフコンテキストを取得する。 検索されたコンテキストにより、LLMは最終回答生成の前に、そのグラフリンクと検索を反復的に洗練することができる。 異なるグラフツールからコンテキストを取得することで、BYOKG-RAGはカスタムKGよりもより汎用的で堅牢なソリューションを提供する。 多様なKGタイプにまたがる5つのベンチマーク実験により、BYOKG-RAGは、カスタムKGよりも優れた一般化を示しながら、第2のベストグラフ検索法よりも4.5%高い性能を示した。 BYOKG-RAGフレームワークはhttps://github.com/awslabs/graphrag-toolkit.comでオープンソース化されている。

関連論文リスト

• When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation [25.508719115522645]
  グラフ検索強化世代(GraphRAG)は、外部知識で大規模言語モデル(LLM)を拡張するための強力なパラダイムとして登場した。 最近の研究では、GraphRAGは多くの現実世界のタスクにおいてバニラRAGを過小評価している。 GraphRAGは本当に有効か、グラフ構造がRAGシステムに測定可能なメリットを提供するシナリオは存在するのか?
  論文  参考訳（メタデータ） (2025-06-06T02:37:47Z)
• RAKG:Document-level Retrieval Augmented Knowledge Graph Construction [10.013667560362565]
  本稿では,自動文書レベルの知識グラフ構築の課題に焦点をあてる。 ドキュメントレベルの検索知識グラフ構築(RAKG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T02:47:23Z)
• 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)
• GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning [21.057810495833063]
  本稿では,LLMの言語理解能力とGNNの推論能力を組み合わせた検索強化世代(RAG)形式の新しい手法であるGNN-RAGを紹介する。 我々のGNN-RAGフレームワークでは、GNNはグラフ情報を抽出するために高密度なサブグラフ推論器として機能する。 実験により、GNN-RAGは2つの広く使用されているKGQAベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-05-30T15:14:24Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• 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)
• Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph [34.774049199809426]
  情報検索に基づく知識グラフ質問応答(KGQA)は,大規模知識グラフから回答を取得して回答することを目的としている。 まず,検索したKSGを,新しいサブグラフ分割アルゴリズムを用いて,より小さなKSGに分割する。 次に、ランク付けモデルから上位のKSGを選択するためのグラフ拡張学習を提案する。
  論文  参考訳（メタデータ） (2021-11-20T08:27:37Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。