論文の概要: SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering

• arxiv url: http://arxiv.org/abs/2601.03014v1
• Date: Tue, 06 Jan 2026 13:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.953043
• Title: SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering
• Title（参考訳）: SentGraph: マルチホップ検索拡張質問回答のための階層型文グラフ
• Authors: Junli Liang, Pengfei Zhou, Wangqiu Zhou, Wenjie Qing, Qi Zhao, Ziwen Wang, Qi Song, Xiangyang Li,
• Abstract要約: SentGraphは文レベルグラフベースのRAGフレームワークで、マルチホップ質問応答のための文間のきめ細かい論理的関係を明示的にモデル化する。 オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。
• 参考スコア（独自算出の注目度）: 24.405588261303834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional Retrieval-Augmented Generation (RAG) effectively supports single-hop question answering with large language models but faces significant limitations in multi-hop question answering tasks, which require combining evidence from multiple documents. Existing chunk-based retrieval often provides irrelevant and logically incoherent context, leading to incomplete evidence chains and incorrect reasoning during answer generation. To address these challenges, we propose SentGraph, a sentence-level graph-based RAG framework that explicitly models fine-grained logical relationships between sentences for multi-hop question answering. Specifically, we construct a hierarchical sentence graph offline by first adapting Rhetorical Structure Theory to distinguish nucleus and satellite sentences, and then organizing them into topic-level subgraphs with cross-document entity bridges. During online retrieval, SentGraph performs graph-guided evidence selection and path expansion to retrieve fine-grained sentence-level evidence. Extensive experiments on four multi-hop question answering benchmarks demonstrate the effectiveness of SentGraph, validating the importance of explicitly modeling sentence-level logical dependencies for multi-hop reasoning.
• Abstract（参考訳）: 従来のRetrieval-Augmented Generation (RAG) は、大きな言語モデルによるシングルホップ質問応答を効果的にサポートしているが、複数の文書から証拠を組み合わせることを必要とするマルチホップ質問応答タスクにおいて、大きな制限に直面している。 既存のチャンクベースの検索は、しばしば無関係で論理的に不整合な文脈を提供し、不完全なエビデンス連鎖と答え生成時の誤った推論をもたらす。 これらの課題に対処するために,文レベルのグラフベースのRAGフレームワークであるSentGraphを提案する。 具体的には、まずRhetorical Structure Theoryを適用して、核と衛星の文を区別し、それらをクロスドキュメントエンティティブリッジでトピックレベルのサブグラフに整理することで、階層的な文グラフをオフラインに構築する。 オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。 4つのマルチホップ質問応答ベンチマークの大規模な実験は、SentGraphの有効性を示し、マルチホップ推論のための文レベルの論理的依存関係を明示的にモデル化することの重要性を検証した。

関連論文リスト

• SUBQRAG: Sub-Question Driven Dynamic Graph RAG [34.20328335590984]
  SubQRAGは、推論深度を高めるサブクエスト駆動のフレームワークである。 SubQRAGは複雑な質問を検証可能なサブクエストの順序付けられた連鎖に分解する。 3つのマルチホップQAベンチマークの実験では、SubQRAGが一貫性と大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-09T02:55:58Z)
• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• 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)
• Single Sequence Prediction over Reasoning Graphs for Multi-hop QA [8.442412179333205]
  局所推論グラフ(モデル)フットノートコード/モデル上での単一シーケンス予測手法を提案する。 グラフニューラルネットワークを用いて、このグラフ構造を符号化し、結果の表現をモデルのエンティティ表現に融合する。 実験の結果, 正確なマッチング/F1のスコアと, 推論経路におけるグラウンドの忠実度は有意に向上した。
  論文  参考訳（メタデータ） (2023-07-01T13:15:09Z)
• Towards Graph-hop Retrieval and Reasoning in Complex Question Answering over Textual Database [15.837457557803507]
  Graph-Hopは、複雑な質問応答における新しいマルチチェーンとマルチホップ検索および推論パラダイムである。 我々はReasonGraphQAと呼ばれる新しいベンチマークを構築し、複雑な問題に対して明確できめ細かいエビデンスグラフを提供する。
  論文  参考訳（メタデータ） (2023-05-23T16:28:42Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• SRLGRN: Semantic Role Labeling Graph Reasoning Network [22.06211725256875]
  この研究は、マルチホップ質問応答(QA)に対する学習と推論の課題を扱う。 本稿では,文の意味構造に基づくグラフ推論ネットワークを提案し,段落間の推論経路を学習する。 提案手法は,最近の最先端モデルと比較して,HotpotQAトラクタ設定ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-07T18:51:17Z)
• Graph-based Multi-hop Reasoning for Long Text Generation [66.64743847850666]
  MRGはグラフベースのマルチホップ推論モジュールとパス認識文実現モジュールの2部で構成されている。 従来のブラックボックスモデルとは異なり、MRGはスケルトンパスを明示的に推論し、提案されたモデルがどのように機能するかを説明する説明的なビューを提供する。
  論文  参考訳（メタデータ） (2020-09-28T12:47:59Z)

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。