論文の概要: VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge
- arxiv url: http://arxiv.org/abs/2608.07994v1
- Date: Sat, 08 Aug 2026 08:03:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.596445
- Title: VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge
- Title（参考訳）: VDGR-RAG: 階層的エンタープライズ知識に対する統一推論に必要なベクトル、ディレクトリ、グラフ、リフレクション
- Abstract要約: VDGR-RAGは、文書チャンクから階層的異種知識グラフ(textH2$KG)を最初に構築するエージェントグラフRAGシステムである。
本手法は知識検索リコールとQA精度の両方の観点から,様々なRAGベースラインを著しく上回る。
- 参考スコア（独自算出の注目度）: 7.123971420266372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval-Augmented Generation (RAG) is essential for enterprise knowledge question answering (QA), particularly in domains with complex product documentation like telecommunications. However, existing RAG approaches largely overlook the holistic integration of diverse retrieval strengths, leading to inaccurate domain routing, poor utilization of hierarchical document structures, and consequently limited reasoning capabilities over enterprise knowledge. To address these limitations, we present VDGR-RAG, which integrates vector retrieval, directory-driven reasoning, graph traversal, and iterative reflection in a unified framework for accurate enterprise knowledge QA. Specifically, VDGR-RAG is an agentic GraphRAG system that first constructs a Hierarchical Heterogeneous Knowledge Graph ($\text{H}^2$KG) from document chunks to preserve both hierarchical directory structures and semantic relationships, and then employs a set of atomic tools for knowledge retrieval that can be freely composed to navigate the $\text{H}^2$KG: (1) a directory-enhanced routing tool that uses table-of-contents (TOC) structures to route user queries to appropriate domain-specific $\text{H}^2$KGs; (2) a multi-route retrieval tool that combines vector search, TOC-based agentic search, and graph search for comprehensive knowledge retrieval; (3) a directory backtracking tool that corrects knowledge localization biases; and (4) a dynamic reflection tool that iteratively plans the next retrieval phase. We conduct extensive experiments on our enterprise product documents across four wireless domains (e.g., energy saving and fault management). Experimental results demonstrate that our method significantly outperforms a variety of RAG baselines in terms of both knowledge retrieval recall and QA accuracy.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、企業知識質問応答(QA)、特に電気通信のような複雑な製品ドキュメントを持つ領域において不可欠である。
しかし、既存のRAGアプローチは、様々な検索強度の総合的な統合を概観し、不正確なドメインルーティング、階層的なドキュメント構造の利用の低さ、そして結果として企業知識よりも限定的な推論能力をもたらす。
本稿では,ベクトル検索,ディレクトリ駆動推論,グラフトラバーサル,反復リフレクションを統合したVDGR-RAGを提案する。
具体的には、VDGR-RAGは、まず階層的不均質な知識グラフ(\text{H}^2$KG)を文書チャンクから構築し、階層的ディレクトリ構造と意味的関係の両方を保存し、次に、$\text{H}^2$KG: (1) テーブル・オブ・コンテント(TOC)構造を用いてユーザクエリを適切なドメイン固有の$\text{H}^2$KGsにルーティングするディレクトリ強化ルーティングツール、(2) ベクトル検索、TOCベースのエージェント検索、グラフ検索を組み合わせたマルチルート検索ツール。
当社は,4つの無線ドメイン(省エネ,障害管理など)にわたる企業製品資料の広範な実験を行っている。
実験結果から,本手法は知識検索リコールとQA精度の両面で,様々なRAGベースラインを著しく上回ることがわかった。
関連論文リスト
- GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。
DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
論文 参考訳（メタデータ） (2026-05-28T03:37:33Z) - LARAG: Link-Aware Retrieval Strategy for RAG Systems in Hyperlinked Technical Documentation [1.0976267899372834]
LARAG (Link-Aware RAG) は、HTMLドキュメントの著者定義ハイパーリンク構造を利用する軽量なリンク対応検索戦略である。
LARAGは応答品質を継続的に改善し、BERTScore F1を最高に達成し、チャンクを減らし、トークンを減らした。
論文 参考訳（メタデータ） (2026-05-08T09:50:53Z) - 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) - Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents [0.3093890460224435]
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。
論文 参考訳（メタデータ） (2026-04-14T05:26:50Z) - Structured Knowledge Representation through Contextual Pages for Retrieval-Augmented Generation [53.768256130061765]
PAGERは、RAGのためのページ駆動の自律的知識表現フレームワークである。
関連文書を反復的に検索して洗練し、各スロットをポップアップさせ、最終的にコヒーレントなページを構成する。
実験の結果、PAGERはすべてのRAGベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-14T11:44:31Z) - 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) - Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。
本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
論文 参考訳（メタデータ） (2025-10-13T09:59:49Z) - 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) - 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) - DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation [4.113142669523488]
ドメイン固有のQAシステムは、生成頻度を必要とするが、構造化専門家の知識に基づく高い事実精度を必要とする。
本稿では,マルチレベル知識グラフ構築と意味ベクトル検索を統合した,スケーラブルでカスタマイズ可能なハイブリッドQAフレームワークであるDO-RAGを提案する。
論文 参考訳（メタデータ） (2025-05-17T06:40:17Z) - Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [69.01029651113386]
Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。
コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。
Embodied-RAGがRAGをロボット領域に効果的にブリッジし、250以上の説明とナビゲーションクエリをうまく処理できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T21:44:11Z) - MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。
我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。
MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-09-09T13:20:31Z)
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。