論文の概要: Beyond Similarity Search: Knowledge Graph Metadata Enrichment for Enterprise Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2610.37728v1
• Date: Tue, 27 Oct 2026 12:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.30542
• Title: Beyond Similarity Search: Knowledge Graph Metadata Enrichment for Enterprise Retrieval-Augmented Generation
• Title（参考訳）: 類似性検索を超えて: 企業検索拡張ジェネレーションのための知識グラフメタデータの強化
• Abstract要約: RAGシステムの主な課題は、複数のチームが時間をかけて作成したエンタープライズドキュメントから情報を取得することである。 本研究では,知識グラフのメタデータと頻繁な情報変更が,類似性検索よりも知識検索により改善するかどうかを検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key challenge of RAG systems is retrieving information from enterprise documents created by multiple teams over time, where it is not possible to enrich the information using the latest information and metadata available outside the scope of organizational documentation responsibility. We investigated whether using a knowledge graph to store metadata and frequently changing information would improve upon knowledge retrieval over similarity search over embeddings. To perform the experiment, we created a snapshot of the SEC EDGAR dataset for a quarter, comprising 167,050 filings from 10,511 companies and 508,714 embedded chunks of risk-factor text. To simulate the enrichment, we created a knowledge graph of 430,257 nodes and 561,144 edges carrying an accession number on every edge. To evaluate the gain obtained via a graph-based design, we evaluated three architectures: text-to-SQL over typed columns, dense-vector RAG with HNSW cosine search, and a two-stage GraphRAG design. All architectures share the same model and temperature to allow comparison. Results are scored programmatically by an LLM as judge over 20 questions divided across four categories, each question asked three times. GraphRAG solved 16 of 20 questions on all three attempts, compared to 10 for text-to-SQL and 3 for vector RAG. GraphRAG lost on structured aggregation queries. Vector RAG lost the single-document category it was expected to win, passing 3 of 15 where GraphRAG passed 15 of 15, because company attribution is not recoverable from cosine similarity at this scale. All six confident falsehoods in the benchmark were text-to-SQL conflating distinct people who share a surname, the failure that resolving identity to an identifier before reading any text prevents structurally; GraphRAG made none. We claim no advantage beyond this corpus, this model and this question set.
• Abstract（参考訳）: RAGシステムの主な課題は、複数のチームが生成したエンタープライズドキュメントから情報を取得することだ。 本研究では,知識グラフを用いてメタデータを格納し,情報の変更を頻繁に行うことにより,類似性検索よりも知識検索の精度が向上するかどうかを検討した。 この実験を行うために、SEC EDGARデータセットのスナップショットを作成しました。 エンリッチメントをシミュレートするために、各エッジにアクセシオン番号を持つ430,257ノードと561,144エッジの知識グラフを作成しました。 グラフベースの設計により得られた利得を評価するため,タイプ付きカラム上でのテキスト-SQL,HNSWコサインサーチによる高密度ベクトルRAG,2段階のGraphRAG設計の3つのアーキテクチャを評価した。 すべてのアーキテクチャは、比較を可能にするため、同じモデルと温度を共有します。 結果はLLMによってプログラム的に評価され、審査員は4つのカテゴリに20以上の質問を分け、各質問は3回質問される。 GraphRAGは3つの試行すべてで16の質問を解決した。 GraphRAGは構造化集約クエリで失われる。 ベクターRAGは、この規模でコサイン類似性から会社への帰属が回復できないため、15点中3点を突破した。 ベンチマークの6つの自信ある偽名はすべて、姓を共有する異なる人々をテキストからSQLに混同したものであり、テキストを読む前に識別子を識別子に解決する失敗は構造的に妨げられ、GraphRAGは何もしなかった。 私たちは、このコーパス、このモデル、そしてこの質問セット以上の利点は主張しません。

関連論文リスト

• Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines [1.752768425135374]
  我々は合成生物医学的な特性グラフ(1.02万ノード、534万ノードとエッジ行)を構築した。 我々はCorvic AIを、7つの目的に構築されたグラフ拡張データベースシステム(LoraDB、Ladybug、DuckPGQ、Memgraph、Neo4j、HugeGraph、FarkorDB)と比較した。 クエリ待ち時間、バルク入力スループット、ポイント更新レイテンシ、および各システムに対する応答正当性を報告し、簡単な総コストオーバシップモデルを導出する。
  論文  参考訳（メタデータ） (2026-09-20T03:04:30Z)
• Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization [9.99981815735792]
  本稿では,半構造化知識ベースを用いたRAGシナリオの評価と比較を行うフレームワークを提案する。 9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。
  論文  参考訳（メタデータ） (2026-06-24T10:11:02Z)
• Beyond Vector Similarity: A Structural Analysis of Graph-Augmented Retrieval for Industrial Knowledge Graphs [0.0]
  航空サプライチェーンインテリジェンスのための8つの検索アーキテクチャを比較した。 10のカテゴリを対象とする23のクエリを評価し,5つのクエリクラスがベクトル検索に対して構造的に到達不能であることを示す。
  論文  参考訳（メタデータ） (2026-06-04T10:56:57Z)
• Beyond RAG for Cyber Threat Intelligence: A Systematic Evaluation of Graph-Based and Agentic Retrieval [3.9289966569145442]
  サイバー脅威インテリジェンス(CTI)のアナリストは、大量の物語のセキュリティレポートに関する複雑な質問に答えなければならない。 Retrieval-augmented Generation (RAG) システムは、言語モデルが外部知識にアクセスするのに役立つ。 CTI解析のための4つのRAGアーキテクチャを体系的に評価する。
  論文  参考訳（メタデータ） (2026-04-13T13:02:44Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• 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)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• From Local to Global: A Graph RAG Approach to Query-Focused Summarization [4.075260785658849]
  GraphRAGは、プライベートテキストコーパスに対する質問応答のためのグラフベースのアプローチである。 我々は,GraphRAGが従来のRAGベースラインよりも大幅に改善され,生成した回答の包括性と多様性が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-24T18:38:11Z)

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。