論文の概要: A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2606.18075v1
• Date: Tue, 16 Jun 2026 15:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.523765
• Title: A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation
• Title（参考訳）: 文脈認識と関係認識によるグラフ検索のための統合フレームワーク
• Authors: Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang,
• Abstract要約: Retrieval-Augmented Generation (RAG) は、大規模言語モデルを外部知識で拡張するためのパラダイムとして登場した。 既存のグラフベースの手法は、真の知識融合なしに原文に固定された表現を操作する。 本稿では,HyGRAGを提案する。HyGRAGは階層型グラフRAGフレームワークで,3つのコア課題に対処することで,ソース文書を超越する。
• 参考スコア（独自算出の注目度）: 13.705515718089123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has emerged as a paradigm for enhancing large language models (LLMs) with external knowledge, yet existing graph-based methods face a fundamental limitation: entity-centric and chunk-centric approaches operate on representations anchored to original text without true knowledge fusion. While entity-centric methods connect logically related content and chunk-centric methods preserve context, both retrieve information separately through similarity search, missing emergent understanding from their synthesis. In this paper, we propose HyGRAG, a hierarchical graph RAG framework that transcends source documents by addressing three core challenges: constructing summaries that genuinely integrate contextual and relational information, leveraging these synthesized representations to access emergent knowledge during retrieval, and efficiently updating hierarchical structures for dynamic corpora. Specifically, we design hierarchical index structures over hybrid graphs with both chunk and entity nodes, then iteratively cluster them and generate LLM-based summaries. Then, we design context and relation-aware retrieval that searches across all abstraction levels while expanding through community membership. Moreover, we enable dynamic knowledge update through attachment-based algorithms with only local re-summarization. Experimental results show that HyGRAG improves the average accuracy of multi-hop reasoning tasks by 9.7%, while maintaining reasonable efficiency.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模な言語モデル(LLM)を外部知識で拡張するためのパラダイムとして登場したが、既存のグラフベースの手法は基本的な制限に直面している。 エンティティ中心の手法は、論理的に関連のある内容とチャンク中心の手法を結びつけるが、両者は類似性検索を通じて別々に情報を検索し、それらの合成から創発的理解を欠いている。 本稿では、文脈情報と関係情報を真に統合する要約の構築、これらの合成表現を活用して検索時に創発的知識にアクセスすること、動的コーパスのための階層構造を効率的に更新することの3つの課題に対処して、ソース文書を超越する階層グラフRAGフレームワークであるHyGRAGを提案する。 具体的には、チャンクノードとエンティティノードの両方を持つハイブリッドグラフ上で階層的なインデックス構造を設計し、反復的にそれらをクラスタ化し、LCMに基づく要約を生成する。 そして、コミュニティメンバーシップを通じて拡張しながら、すべての抽象化レベルを横断的に検索するコンテキストと関係認識検索を設計する。 さらに,局所的な再要約のみで,アタッチメントベースのアルゴリズムによる動的知識更新を可能にする。 実験結果から,HyGRAGは適切な効率を維持しつつ,マルチホップ推論タスクの平均精度を9.7%向上させることがわかった。

関連論文リスト

• FlexStructRAG: Flexible Structure-Aware Multi-Granular Relational Retrieval for RAG [25.45341852479756]
  RAGシステムは、外部知識のセグメント化、構造化、検索の方法に依存する。 マルチグラニュラー・クエリ適応検索をサポートする構造対応RAGフレームワークFlexStructRAGを提案する。 実験の結果、FlexStructRAGは強力なRAGベースラインよりもセマンティック評価を改善することが示された。
  論文  参考訳（メタデータ） (2026-02-01T09:19:03Z)
• 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)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• 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)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• Retrieval-Augmented Generation of Ontologies from Relational Databases [13.160850863758]
  本稿では、RDBオントロジーの検索拡張反復生成であるRIGORについて述べる。 リレーショナルを人間の最小限の労力でリッチスキーマに変換するアプローチが紹介されている。
  論文  参考訳（メタデータ） (2025-06-02T01:10:05Z)
• 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)
• CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
  現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。 以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。 複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T02:40:48Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)

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。