論文の概要: RAGA: Reading-And-Graph-building-Agent for Autonomous Knowledge Graph Construction and Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.17072v1
• Date: Sat, 16 May 2026 16:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.593582
• Title: RAGA: Reading-And-Graph-building-Agent for Autonomous Knowledge Graph Construction and Retrieval-Augmented Generation
• Title（参考訳）: RAGA: 自律的知識グラフ構築と検索拡張生成のための読み・グラフ構築エージェント
• Authors: Chengrui Han, Zesheng Cheng,
• Abstract要約: RAGA(Reading And Graph-building Agent)は、自律的な知識グラフの構築と検索のためのフレームワークである。 完全なKGライフサイクルCRUD操作を提供し、Read-Search-Verify-Verify認知制約をReActツールループに埋め込む。 QASPERの科学QAデータセットのサブセットに関する予備実験は、RAGAの融合検索がゼロショットベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.7016397531234393
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Existing LLM-driven knowledge graph (KG) construction methods predominantly employ stateless batch processing pipelines, exhibiting structural deficiencies in cross-chunk semantic relation capture, entity disambiguation, and construction process interpretability. These limitations undermine KG quality, retrieval precision, and deployment trust in high-stakes domains. We propose RAGA (Reading And Graph-building Agent), an LLM-based autonomous KG construction and retrieval fusion framework. RAGA provides an atomic toolset supporting full KG lifecycle CRUD operations and embeds a Read-Search-Verify-Construct cognitive constraint into a ReAct tool loop. A KG-vector synchronization mechanism enables hybrid symbolic-vector retrieval, while evidence-anchored verification links every knowledge entry to its source text for auditable provenance. Preliminary experiments on a subset of the QASPER scientific QA dataset indicate that RAGA's fusion retrieval outperforms zero-shot baselines, with KG integration providing measurable gains in both answer and evidence quality. The framework design and experimental baseline serve as a reference for agent-driven autonomous KG construction.
• Abstract（参考訳）: 既存のLCM駆動知識グラフ(KG)構築法は主にステートレスバッチ処理パイプラインを使用し、クロスチャンクのセマンティックな関係のキャプチャ、エンティティの曖昧さ、構成プロセスの解釈可能性に構造上の欠陥を示す。 これらの制限は、KGの品質、検索精度、高吸収領域におけるデプロイメント信頼を損なう。 LLMに基づく自律型KG構築・検索融合フレームワークであるRAGA(Reading And Graph-building Agent)を提案する。 RAGAは完全なKGライフサイクルCRUD操作をサポートするアトミックなツールセットを提供し、Read-Search-Verify-Construct認知制約をReActツールループに埋め込む。 KG-ベクター同期機構はハイブリッドシンボリック-ベクター検索を可能にし、エビデンスアンコールによる検証は、すべての知識エントリを、監査可能な証明のためにソーステキストにリンクする。 QASPERの科学QAデータセットのサブセットに関する予備実験では、RAGAの融合検索はゼロショットベースラインよりも優れており、KG統合は答えとエビデンスの品質の両方において測定可能な利得を提供する。 フレームワークの設計と実験のベースラインは、エージェント駆動の自律的なKG構築の基準となる。

関連論文リスト

• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework [21.896955284099334]
  大きな言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 Retrieval-Augmented Generation (RAG)は、外部知識ソースを組み込むことによって、この制限に対処する。 AnchorRAGは,オープンワールドRAGのための,事前定義されたアンカーエンティティを持たない新しいマルチエージェント協調フレームワークである。
  論文  参考訳（メタデータ） (2025-09-01T08:26:12Z)
• KG-CQR: Leveraging Structured Relation Representations in Knowledge Graphs for Contextual Query Retrieval [5.263064605350636]
  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。
  論文  参考訳（メタデータ） (2025-08-28T04:37:15Z)
• KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
  KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。 KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。 実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-11T09:20:02Z)
• Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
  本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。 我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。 我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
  論文  参考訳（メタデータ） (2024-12-30T13:36:05Z)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)

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。