論文の概要: KG-CQR: Leveraging Structured Relation Representations in Knowledge Graphs for Contextual Query Retrieval

• arxiv url: http://arxiv.org/abs/2508.20417v1
• Date: Thu, 28 Aug 2025 04:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.01452
• Title: KG-CQR: Leveraging Structured Relation Representations in Knowledge Graphs for Contextual Query Retrieval
• Title（参考訳）: KG-CQR:コンテキストクエリ検索のための知識グラフにおける構造化関係表現の活用
• Authors: Chi Minh Bui, Ngoc Mai Thieu, Van Vinh Nguyen, Json J. Jung, Khac-Hoai Nam Bui,
• Abstract要約: 我々は、コンテキストクエリ検索(CQR)のための新しいフレームワークであるKG-CQRを提案する。 KG-CQRは、構造化された関係表現によるクエリエンリッチメントに焦点を当て、関連するKGサブグラフを抽出して、セマンティックにリッチなクエリコンテキストを生成する。 RAGBenchとMultiHop-RAGデータセットの実験結果は、KG-CQRの優れたパフォーマンスを示し、mAPが4-6%改善され、強力なベースラインモデルよりもRecall@25が2-3%改善された。
• 参考スコア（独自算出の注目度）: 3.729816445527413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of knowledge graphs (KGs) with large language models (LLMs) offers significant potential to improve the retrieval phase of retrieval-augmented generation (RAG) systems. In this study, we propose KG-CQR, a novel framework for Contextual Query Retrieval (CQR) that enhances the retrieval phase by enriching the contextual representation of complex input queries using a corpus-centric KG. Unlike existing methods that primarily address corpus-level context loss, KG-CQR focuses on query enrichment through structured relation representations, extracting and completing relevant KG subgraphs to generate semantically rich query contexts. Comprising subgraph extraction, completion, and contextual generation modules, KG-CQR operates as a model-agnostic pipeline, ensuring scalability across LLMs of varying sizes without additional training. Experimental results on RAGBench and MultiHop-RAG datasets demonstrate KG-CQR's superior performance, achieving a 4-6% improvement in mAP and a 2-3% improvement in Recall@25 over strong baseline models. Furthermore, evaluations on challenging RAG tasks such as multi-hop question answering show that, by incorporating KG-CQR, the performance consistently outperforms the existing baseline in terms of retrieval effectiveness
• Abstract（参考訳）: 知識グラフ(KGs)と大言語モデル(LLMs)の統合は、検索強化生成(RAG)システムの検索フェーズを改善する重要な可能性を提供する。 本研究では、コーパス中心のKGを用いて、複雑な入力クエリのコンテキスト表現を豊かにすることにより、検索フェーズを強化する、コンテキストクエリ検索(CQR)のための新しいフレームワークであるKG-CQRを提案する。 コーパスレベルのコンテキスト損失に主に対処する既存の方法とは異なり、KG-CQRは構造化された関係表現によるクエリエンリッチメントに焦点を当て、関連するKGサブグラフを抽出して、意味的にリッチなクエリコンテキストを生成する。 サブグラフ抽出、補完、コンテキスト生成モジュールを含むKG-CQRは、モデルに依存しないパイプラインとして動作する。 RAGBenchとMultiHop-RAGデータセットの実験結果は、KG-CQRの優れたパフォーマンスを示し、mAPが4-6%改善され、強力なベースラインモデルよりもRecall@25が2-3%改善された。 さらに,マルチホップ質問応答などのRAG課題に対する評価では,KG-CQRを組み込むことで,検索効率の点で既存のベースラインを一貫して上回る結果が得られた。

関連論文リスト

• KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [66.35046942874737]
  KG-Infused RAGは、拡散活性化を実装するためにKGをRAGシステムに統合するフレームワークである。 KG-Infused RAGはKGの事実を検索し、クエリを拡張し、コーパスと構造化された事実を組み合わせることで生成を強化する。
  論文  参考訳（メタデータ） (2025-06-11T09:20:02Z)
• Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [56.27361644734853]
  知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。 広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。 我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。 本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
  論文  参考訳（メタデータ） (2025-05-29T14:44:52Z)
• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)
• How to Mitigate Information Loss in Knowledge Graphs for GraphRAG: Leveraging Triple Context Restoration and Query-Driven Feedback [12.250007669492753]
  本稿では,Triple Context RestorationとQuery-driven Feedbackフレームワークを提案する。 情報損失を軽減するために、各トリプルの基盤となるテキストコンテキストを再構築する。 Exact Matchの29.1%の改善とF1の15.5%の改善を実現している。
  論文  参考訳（メタデータ） (2025-01-26T03:27:11Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• KG-ECO: Knowledge Graph Enhanced Entity Correction for Query Rewriting [15.243664083941287]
  本稿では,KG-ECO: Knowledge Graphによるクエリ書き換えのためのEntity Correctionの強化を提案する。 モデルの性能を向上させるため,我々は知識グラフ(KG)を組み込んでエンティティ構造情報を提供する。 実験結果から,本手法は2つのベースラインに対して明らかな性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-02-21T05:42:06Z)

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。