生物医学文献におけるリトリーバル強化生成のためのグラフ対応レイト・チャンキング

Abstract

生物医学文献向けの検索拡張生成（Retrieval-Augmented Generation: RAG）システムは、通常、平均相互順位（Mean Reciprocal Rank: MRR）のような順位付け指標を用いて評価されます。これらは、システムが単一の最も関連性の高いチャンクをどれだけうまく特定できるかを測ります。我々は、全文の科学文書に対しては、このパラダイムは不完全だと主張します。これは、検索の精度を報いる一方で、検索の幅――文書の構造的セクション全体から根拠を提示する能力――を無視しているためです。我々は、遅延チャンク分割（late chunking）とグラフに配慮した構造インテリジェンスを統合する枠組みである GraLC-RAG を提案します。これにより、構造を考慮したチャンク境界検出、UMLS 知識グラフの注入（infusion）、およびグラフに導かれたハイブリッド検索を導入します。2,359 本の IMRaD フィルタ済み PubMed Central 論文に対し、2,033 のクロスセクション質問と 2 系統のメトリクス（標準的な順位付け指標：MRR、Recall@k、および構造被覆指標：SecCov@k、CS Recall）を用いて 6 つの戦略を評価します。結果は明確な乖離を示します。すなわち、内容の類似性手法は最高の MRR（0.517）を達成しますが、常に単一のセクションから検索します。一方、構造を考慮した手法は、最大で 15.6 倍多いセクションから検索します。生成実験では、KG 注入型の検索が、セクション多様性を 4.6 倍維持しながら、デルタ-F1 = 0.009 まで回答品質のギャップを縮めることが示されます。これらの知見は、標準的な指標が構造的検索を体系的に過小評価していること、そして多セクション統合ギャップを埋めることが、生物医学 RAG における重要な未解決課題であることを示しています。