論文の概要: REBot: From RAG to CatRAG with Semantic Enrichment and Graph Routing

• arxiv url: http://arxiv.org/abs/2510.01800v1
• Date: Thu, 02 Oct 2025 08:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.06201
• Title: REBot: From RAG to CatRAG with Semantic Enrichment and Graph Routing
• Title（参考訳）: REBot: セマンティックエンリッチメントとグラフルーティングを備えたRAGからCatRAGへ
• Authors: Thanh Ma, Tri-Tam La, Lam-Thu Le Huu, Minh-Nghi Nguyen, Khanh-Van Pham Luu, Huu-Hoa Nguyen,
• Abstract要約: CatRAGは、検索拡張生成とグラフベースの推論を統合するハイブリッド検索推論フレームワークである。 我々は,ルール固有のデータセットを構築し,分類と質問応答タスクに基づいてREBotを評価する。 我々は,実世界の学術的助言シナリオにおいて,REBotの実践的価値を示すWebアプリケーションを実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Academic regulation advising is essential for helping students interpret and comply with institutional policies, yet building effective systems requires domain specific regulatory resources. To address this challenge, we propose REBot, an LLM enhanced advisory chatbot powered by CatRAG, a hybrid retrieval reasoning framework that integrates retrieval augmented generation with graph based reasoning. CatRAG unifies dense retrieval and graph reasoning, supported by a hierarchical, category labeled knowledge graph enriched with semantic features for domain alignment. A lightweight intent classifier routes queries to the appropriate retrieval modules, ensuring both factual accuracy and contextual depth. We construct a regulation specific dataset and evaluate REBot on classification and question answering tasks, achieving state of the art performance with an F1 score of 98.89%. Finally, we implement a web application that demonstrates the practical value of REBot in real world academic advising scenarios.
• Abstract（参考訳）: アカデミック・レギュレーション・アドバイザリングは、学生が制度的なポリシーを解釈し、遵守するのを助けるのに不可欠であるが、効果的なシステムを構築するには、ドメイン固有の規制資源が必要である。 この課題に対処するため,我々は,検索拡張生成とグラフベースの推論を統合するハイブリッド検索推論フレームワークであるCatRAGをベースとしたLLM強化アドバイザリーチャットボットREBotを提案する。 CatRAGは、階層的なカテゴリラベル付き知識グラフによって支えられ、ドメインアライメントのセマンティックな特徴に富む、密度の高い検索とグラフ推論を統一する。 軽量なインテント分類器は、クエリを適切な検索モジュールにルーティングし、事実精度と文脈深さの両方を保証する。 本研究では,F1スコア98.89%で最先端のパフォーマンスを達成し,分類タスクと質問応答タスクのREBotを規定したデータセットを構築した。 最後に,実世界の学術的助言シナリオにおけるREBotの実践的価値を示すWebアプリケーションを実装した。

関連論文リスト

• Comparing RAG and GraphRAG for Page-Level Retrieval Question Answering on Math Textbook [6.356031718676495]
  ラージ言語モデル(LLM)は、学習中の情報検索のための新しい補助具として登場した。 本稿では,知識グラフ強化型RAG手法であるRetrieval-Augmented Generation(RAG)とGraphRAGについて,ページレベルの質問応答について検討する。
  論文  参考訳（メタデータ） (2025-09-20T19:06:49Z)
• Aligning LLMs for the Classroom with Knowledge-Based Retrieval -- A Comparative RAG Study [2.4430880203388416]
  ChatGPTのような大規模な言語モデルは、教室での利用が増えているが、学生を誤解させる可能性のある時代遅れまたは製造された情報を提供することが多い。 本稿では,ベクトルベース検索とグラフベース検索の2つのパラダイムについて検討し,教室における質問応答のベストプラクティスを明らかにする。
  論文  参考訳（メタデータ） (2025-09-09T15:22:33Z)
• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [69.01029651113386]
  Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。 コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。 Embodied-RAGがRAGをロボット領域に効果的にブリッジし、250以上の説明とナビゲーションクエリをうまく処理できることを実証する。
  論文  参考訳（メタデータ） (2024-09-26T21:44:11Z)
• Learning Rational Subgoals from Demonstrations and Instructions [71.86713748450363]
  本稿では,新しい目標を達成するための効率的な長期計画を支援する有用なサブゴール学習フレームワークを提案する。 我々のフレームワークの中核は合理的なサブゴール(RSG)の集合であり、基本的には環境状態上の二項分類器である。 目標記述が与えられた場合、学習したサブゴールと派生した依存関係は、A*やRTといった既成の計画アルゴリズムを促進する。
  論文  参考訳（メタデータ） (2023-03-09T18:39:22Z)

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。