SRAG：構造化データ付きRAGはベクトル検索を改善する

Abstract

Retrieval Augmented Generation（RAG）は、ベクトルデータベースから取得したチャンク、またはWeb検索によって得られる情報の断片という形で、LLMに必要な情報的根拠を提供します。RAGは、事実情報をLLMに与える手段として、知識グラフのトリプルを用いることもできます。しかし、取得は質問と内容の間の表象的な類似性のみに基づいています。RAGの性能は、クエリとチャンクの数値ベクトル表現に依存します。これらの表現を改善するために、Structured RAG（SRAG）を提案します。SRAGは、トピック、センチメント、クエリおよびチャンクの種類（例：情報的、量的）、知識グラフのトリプル、セマンティックタグといった形式で、チャンクに加えてクエリにも構造化された情報を付与します。実験の結果、この手法は取得プロセスを大幅に改善することが示されています。LLM-as-a-judgeとしてGPT-5を用いたところ、質問応答システムにおける回答に付与されるスコアが30%改善することが分かりました（p値 = 2e-13）（より厳密な範囲を伴う）。最大の改善は、比較、分析、予測に関する質問で見られます。これらの結果は、提案手法がより広範で、多様で、エピソード形式の取得を可能にすることを示唆しています。テールリスク分析では、SRAGは損失の大きさが軽微にとどまりつつ、非常に大きな改善を得ることがより頻繁に起こることが示されます。