論文の概要: Query-Specific GNN: A Comprehensive Graph Representation Learning Method for Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2510.11541v1
• Date: Mon, 13 Oct 2025 15:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.436942
• Title: Query-Specific GNN: A Comprehensive Graph Representation Learning Method for Retrieval Augmented Generation
• Title（参考訳）: Query-Specific GNN:Retrieval Augmented Generationのための総合的なグラフ表現学習手法
• Authors: Yuchen Yan, Zhihua Liu, Hao Wang, Weiming Li, Xiaoshuai Hao,
• Abstract要約: マルチホップ質問は、合成された答えを形成するために複数の知識目標を識別する必要がある。 既存の手法はしばしば、複雑な意味構造を持つ質問を完全に理解するのに苦労する。 マルチホップ質問検索のための新しいグラフ表現学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.133432599408327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) has demonstrated its ability to enhance Large Language Models (LLMs) by integrating external knowledge sources. However, multi-hop questions, which require the identification of multiple knowledge targets to form a synthesized answer, raise new challenges for RAG systems. Under the multi-hop settings, existing methods often struggle to fully understand the questions with complex semantic structures and are susceptible to irrelevant noise during the retrieval of multiple information targets. To address these limitations, we propose a novel graph representation learning framework for multi-hop question retrieval. We first introduce a Multi-information Level Knowledge Graph (Multi-L KG) to model various information levels for a more comprehensive understanding of multi-hop questions. Based on this, we design a Query-Specific Graph Neural Network (QSGNN) for representation learning on the Multi-L KG. QSGNN employs intra/inter-level message passing mechanisms, and in each message passing the information aggregation is guided by the query, which not only facilitates multi-granular information aggregation but also significantly reduces the impact of noise. To enhance its ability to learn robust representations, we further propose two synthesized data generation strategies for pre-training the QSGNN. Extensive experimental results demonstrate the effectiveness of our framework in multi-hop scenarios, especially in high-hop questions the improvement can reach 33.8\%. The code is available at: https://github.com/Jerry2398/QSGNN.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、外部知識ソースを統合することで、Large Language Models (LLM) を強化する能力を示した。 しかし、複数の知識目標を識別して合成された答えを生成するマルチホップ質問は、RAGシステムに新たな課題を提起する。 マルチホップ設定の下では、既存の手法は複雑なセマンティック構造で質問を完全に理解するのに苦労し、複数の情報ターゲットの検索において、無関係なノイズの影響を受けやすいことが多い。 これらの制約に対処するために,マルチホップ質問検索のための新しいグラフ表現学習フレームワークを提案する。 マルチホップ質問をより包括的に理解するために,まず,様々な情報レベルをモデル化するためのマルチ情報レベル知識グラフ(Multi-L KG)を導入する。 そこで我々は,Multi-L KG上での表現学習のためのQSGNN(Query-Specific Graph Neural Network)を設計した。 QSGNNは、イントラ/イントラレベルのメッセージパッシング機構を採用し、情報アグリゲーションを渡す各メッセージは、クエリによってガイドされる。 頑健な表現を学習する能力を高めるために,QSGNNを事前学習するための2つの合成データ生成戦略を提案する。 大規模な実験結果から,マルチホップシナリオにおけるフレームワークの有効性,特にハイホップ問題において,改善率は33.8\%に達することが示唆された。 コードは、https://github.com/Jerry2398/QSGNNで入手できる。

関連論文リスト

• PGDA-KGQA: A Prompt-Guided Generative Framework with Multiple Data Augmentation Strategies for Knowledge Graph Question Answering [3.8623708225544755]
  知識グラフ質問回答(KGQA)は自然言語処理において重要な課題である。 PGDA-KGQA は,KGQA のための複数のデータ拡張戦略を備えた,プロンプト誘導型生成フレームワークである。 実験により、PGDA-KGQAは標準KGQAの最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-11T05:56:03Z)
• iQUEST: An Iterative Question-Guided Framework for Knowledge Base Question Answering [6.4524748618007415]
  iQUESTは、複雑なクエリを単純なサブクエリに繰り返し分解する質問誘導KBQAフレームワークである。 グラフニューラルネットワーク(GNN)を統合して、各推論ステップに2ホップ隣の情報を組み込む。
  論文  参考訳（メタデータ） (2025-06-02T15:30:02Z)
• Knowledge Graph-extended Retrieval Augmented Generation for Question Answering [10.49712834719005]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を統合するシステムを提案する。 結果として得られるアプローチは、KGを持つ検索拡張生成(RAG)の特定の形式に分類される。 質問分解モジュールを含み、マルチホップ情報検索と回答可能性を高める。
  論文  参考訳（メタデータ） (2025-04-11T18:03:02Z)
• Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models [51.47994645529258]
  本稿では,問合せをGNNアグリゲーションに組み込んでKG関連性を動的に評価するQAP(QA-Aware Knowledge Graph Prompting)を提案する。 実験の結果、QAPは複数のデータセットで最先端の手法よりも優れており、その有効性を強調している。
  論文  参考訳（メタデータ） (2025-03-30T17:09:11Z)
• 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)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Dynamic Semantic Graph Construction and Reasoning for Explainable Multi-hop Science Question Answering [50.546622625151926]
  マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。 a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
  論文  参考訳（メタデータ） (2021-05-25T09:14:55Z)

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。