論文の概要: Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents
- arxiv url: http://arxiv.org/abs/2604.14220v1
- Date: Tue, 14 Apr 2026 05:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:29.918126
- Title: Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents
- Title（参考訳）: Knowledge Graph RAG: エンタープライズドキュメントにおけるエージェントクローリングとグラフ構築
- Authors: Koushik Chakraborty, Koyel Guha,
- Abstract要約: 本稿では,スーパーセディングロジックとマルチホップ参照をナビゲートする堅牢なソリューションとして,再帰クローリングを特徴とするエージェント知識グラフを提案する。
The Code of Federal Regulations (CFR) を用いたベンチマーク評価では、この知識グラフによるアプローチが標準的なベクトルベースRAGシステムよりも70%精度が向上していることが示されている。
- 参考スコア（独自算出の注目度）: 0.3093890460224435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research paper addresses the limitations of semantic search in complex enterprise document ecosystems. Traditional RAG pipelines often fail to capture hierarchical and interconnected information, leading to retrieval inaccuracies. We propose Agentic Knowledge Graphs featuring Recursive Crawling as a robust solution for navigating superseding logic and multi-hop references. Our benchmark evaluation using the Code of Federal Regulations (CFR) demonstrates that this Knowledge Graph-enhanced approach achieves a 70% accuracy improvement over standard vector-based RAG systems, providing exhaustive and precise answers for complex regulatory queries.
- Abstract（参考訳）: 本研究では,複雑なエンタープライズ文書エコシステムにおける意味探索の限界について論じる。
従来のRAGパイプラインは階層的および相互接続された情報の取得に失敗することが多く、不正確な検索につながる。
本稿では,スーパーセディングロジックとマルチホップ参照をナビゲートする堅牢なソリューションとして,再帰クローリングを特徴とするエージェント知識グラフを提案する。
The Code of Federal Regulations (CFR) を用いたベンチマーク評価では、この知識グラフによるアプローチが標準的なベクトルベースRAGシステムに対して70%の精度向上を実現し、複雑な規制クエリに対して徹底的かつ正確な回答を提供することを示した。
関連論文リスト
- NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。
NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-04-14T14:07:01Z) - Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces [0.23157817950780824]
本稿では,従来のRAG手法の限界を克服する新しいエンドツーエンドグラフRAGフレームワークを提案する。
提案手法は,文書数を事前に指定することなく,動的文書検索を可能にする。
我々は,テキストクエリのリアルタイム翻訳において90%以上の精度を達成し,LPGのためのCypherフレームワークにテキストを提示する。
論文 参考訳（メタデータ） (2026-03-21T11:35:29Z) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs [23.840376380790783]
ToPGは知識ベースを命題、実体、通過の異種グラフとしてモデル化する。
TOPGは精度と品質ベースのメトリクスの両方で強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-08T11:50:40Z) - Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems [0.0]
Retrieval-augmented Generation (RAG) システムは、複雑な推論タスクに必要な多段階の証拠を確実に回収し、接続するのに苦労する。
標準的なRAGフレームワークのほとんどは、検索された全ての情報を、大きなテキストコーパスの様々な信頼性と相互接続性を見越して、等しく信頼できるものとみなしている。
自動構築された知識グラフによって相互接続された文書のコーパスから情報を取得するために,拡散活性化アルゴリズムを用いた新しいRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-17T19:38:35Z) - BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。
本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。
BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-03T03:40:49Z) - Retrieval Augmented Generation (RAG) for Fintech: Agentic Design and Evaluation [0.16754194618631593]
本稿では,ドメイン固有かつ密度の高い用語問題に対処するエージェントRAGアーキテクチャを提案する。
企業知識ベースから85の質問-回答-参照の3分の1をキュレートしたデータセットを用いて,標準的なRAGベースラインに対するアプローチを評価した。
論文 参考訳（メタデータ） (2025-10-29T13:41:36Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。
我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
論文 参考訳（メタデータ） (2025-07-29T17:55:23Z) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z) - RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。
本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
論文 参考訳（メタデータ） (2025-02-17T02:36:30Z)
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。