要旨: 生成拡張（RAG）システムは、複雑な推論、多段（multi-hop）クエリ、そしてドメイン固有のQAにおいて重大な課題に直面しています。既存のGraphRAGフレームワークは構造化された知識の組織化において進展を遂げてきましたが、それでもなお、産業をまたいだ適応性、コミュニティ報告の完全性、そして検索（retrieval）の性能に制約があります。本論文では、オープンソースのGraphRAGに基づいて拡張したフレームワークであるUniAI-GraphRAGを提案します。このフレームワークは、3つの主要な革新を導入します: (1) 事前定義されたスキーマ（Schema）を用いて、LLMがドメイン固有のエンティティと関係を正確に特定するよう導く、オントロジー主導の知識抽出；(2) アラインメント補完、属性に基づくクラスタリング、多段関係のクラスタリングによってコミュニティの完全性を向上させる、多次元コミュニティクラスタリング戦略；(3) ハイブリッドなグラフ検索とコミュニティ検索により、QAの精度と性能のバランスを取るデュアルチャネル・グラフ検索融合。MultiHopRAGベンチマークでの評価結果は、UniAI-GraphRAGが、主流のオープンソース解（例: LightRAG）よりも、特に推論および時系列クエリにおいて、包括的なF1スコアで優れていることを示しています。コードは https://github.com/UnicomAI/wanwu/tree/main/rag/rag_open_source/rag_core/graph で利用可能です。
UniAI-GraphRAG：オントロジーに導かれた抽出、多次元クラスタリング、デュアルチャネル融合を統合して堅牢なマルチホップ推論を実現
arXiv cs.AI / 2026/3/27
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、複雑な推論、マルチホップのクエリ回答、およびドメイン特化のQAを改善することを目的とした、強化されたオープンソースGraphRAGフレームワーク「UniAI-GraphRAG」を提案する。
- オントロジーに導かれた抽出では、あらかじめ定義されたスキーマを用いてLLMをより正確にエンティティと関係の同定へ導く。
- 多次元コミュニティクラスタリング戦略を適用し、アラインメント補完、属性に基づくクラスタリング、マルチホップ関係のクラスタリングを組み合わせることで、コミュニティの完全性を向上させる。
- デュアルチャネルのグラフ取得融合メカニズムにより、ハイブリッドなグラフ取得とコミュニティ取得を組み合わせ、QA精度と取得性能のバランスを取る。
- MultiHopRAGベンチマークでの実験では、LightRAGなどの主流なオープンソース基準手法と比べて、総合F1スコアが向上することが示されており、とりわけ推論クエリや時間的クエリで効果が大きい。あわせて、コードはGitHubで公開されている。
広告
