Graph Retrieval-Augmented Generation: A Survey
| 項目 | 内容 |
|---|---|
| 論文ID | P02 |
| 区分・分類 | 論文・枠組み・サーベイ |
| 著者・所属 | Boci Peng（Peking University）、Yun Zhu（Zhejiang University）、Yongchao Liu（Ant Group）、Xiaohe Bo（Renmin University of China）、Haizhou Shi（Rutgers University）、Chuntao Hong（Ant Group）、Yan Zhang（Peking University、責任著者）、Siliang Tang（Zhejiang University） |
| 発表先 | ACM Transactions on Information Systems |
| 発表日 | 2025-11-19 |
| 引用数 | 149（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1145/3777378 |
| 論文/pdf/P02.pdf | |
| 読んだ範囲 | 全文（arXiv:2408.08921v2、2024-09-10版、全41ページ。本文 p.1〜31、p.31〜41 は参考文献） |
論文タイプ
サーベイ。GraphRAG の既存研究を3段階（G-Indexing / G-Retrieval / G-Generation）で体系化し、学習法・タスク・ベンチマーク・産業システム・今後の課題を整理する。著者独自の手法提案や実験は無い。
研究の目標
LLM は専門知識・最新情報・社内情報を持たず hallucination を起こすため外部知識を参照する RAG が普及したが、著者らは従来のテキスト RAG に実運用上の3つの限界があるとする。
| 限界 | 内容 |
|---|---|
| Neglecting Relationships | 引用関係のようなテキスト間の構造的関係は意味的類似度だけでは捉えられない |
| Redundant Information | 取得テキストをそのまま連結するため文脈が長くなり「lost in the middle」が起きる |
| Lacking Global Information | 文書の一部しか取得できず、Query-Focused Summarization（QFS）のような全体把握を要するタスクに弱い |
GraphRAG は事前構築したグラフ DB からクエリに関係するグラフ要素（ノード・トリプル・パス・サブグラフ）を取得して生成に使う枠組みで、関係知識の取得、グラフによるテキストの抽象化・短縮、サブグラフやコミュニティ単位の全体情報取得によりこれらに対処する。本論文の到達点は、GraphRAG 初の体系的サーベイとして (1) 形式的定義と3段階の統一ワークフロー、(2) 各段階の中核技術と学習方法の分類、(3) 下流タスク・ベンチマーク・応用領域・評価指標・産業システム・今後の課題の整理を示すこと。GitHub リポジトリ（pengboci/GraphRAG-Survey）も公開。
技術的なやり方
形式化：グラフデータを Text-Attributed Graph（TAG）G = (V, E, A, {x_v}, {e_ij}) として統一表現する（Knowledge Graph はその典型）。答え a = argmax p(a|q, G) を検索器 p_θ(G|q, 𝒢) と生成器 p_φ(a|q, G) の積に分解し、候補サブグラフが指数的に増えるため最適サブグラフ G で近似する。これに基づきワークフローを Graph-Based Indexing（G-Indexing）、Graph-Guided Retrieval（G-Retrieval）、Graph-Enhanced Generation（G-Generation）に分ける。
関連分野との位置づけ：RAG の一分野だが構造情報を扱う点で異なる。LLMs on Graphs（LLM と GNN の統合でグラフタスクを解く研究）とは外部グラフ DB からの検索に焦点がある点で異なる。KBQA の IR ベース手法は GraphRAG の部分集合と位置づける。
各段階の分類体系：
| 段階 | 分類軸 | 分類と代表例 |
|---|---|---|
| G-Indexing | グラフデータ | Open Knowledge Graphs：General（Wikidata, Freebase, DBpedia, YAGO, ConceptNet, ATOMIC）、Domain（CMeKG, CPubMed-KG, Wiki-Movies, GR-Bench, GraphQA）。Self-Constructed Graph Data：文書間関係グラフ、NER ツールと LM で抽出した KG、特許-フレーズグラフ、過去問い合わせの KG |
| G-Indexing | インデックス方式 | Graph Indexing（構造保持、BFS・最短経路）、Text Indexing（トリプルをテンプレートで文に、コミュニティ要約を LLM 生成）、Vector Indexing（LSH、G-Retriever、GRAG）、Hybrid Indexing（HybridRAG, EWEK-QA） |
| G-Retrieval | Retriever | Non-parametric（k-hop パス、PCST、最短経路）、LM-based（Subgraph Retriever, KG-GPT, StructGPT）、GNN-based（GNN-RAG, EtD）。非パラメトリックは高速だが精度不足、LM/GNN は高精度だが高コストのため、段階ごとにモデルを変えるハイブリッド（RoG, GenTKGQA）が多い |
| G-Retrieval | Retrieval Paradigm | Once Retrieval、Iterative Retrieval（Non-Adaptive：PullNet, KGP ／ Adaptive：ToG、LLM エージェント）、Multi-Stage Retrieval（OpenCSR, GNN-RAG） |
| G-Retrieval | Retrieval Granularity | Nodes、Triplets、Paths（HyKGE, ToG, RoG）、Subgraphs（2-hop 近傍、GRAG）、Hybrid（LLM エージェントが粒度を適応選択）。粒度間の境界は明確でなく精度と効率のバランスで選ぶ |
| G-Retrieval | Retrieval Enhancement | Query Enhancement：Query Expansion（RoG, HyKGE, Golden-Retriever）、Query Decomposition（KG-GPT）。Knowledge Enhancement：Knowledge Merging（KnowledgeNavigator）、Knowledge Pruning（cross-encoder 再ランク、Personalized PageRank、LLM による無関係判定） |
| G-Generation | Generator | GNNs（識別タスク向け、HamQA 等）、LMs（encoder-only は識別、T5/GPT-4/LLaMA は生成）、Hybrid（Cascaded：GNN 出力を prompt tuning で LM に前置 ／ Parallel：GreaseLM Layer、ENGINE） |
| G-Generation | Graph Format | Graph Languages：Adjacency/Edge Table、Natural Language、Code-Like Forms（GML, GraphML）、Syntax Tree（GRAPHTEXT）、Node Sequence（LLaGA, GNN-RAG）。条件は complete・concise・comprehensible。Graph Embeddings：prompt tuning、FiD |
| G-Generation | Generation Enhancement | Pre-Generation（LLM による書き換え、DALK）、Mid-Generation（TIARA の制約付きデコーディング、MindMap）、Post-Generation（Microsoft GraphRAG のコミュニティ要約回答の統合、UniOQA、KALMV の検証器） |
| Training | Retriever | Training-Free（規則、事前学習埋め込み、プロンプト）／Training-Based（MemNNs のメトリック学習、距離教師ありの経路構築、NSM、KnowGPT/MINERVA の強化学習、SKP の自己教師事前学習） |
| Training | Generator・Joint | Generator は Training-Free か SFT／タスク別損失。Joint Training は RoG（単一 LLM で同時学習）、Subgraph Retriever（交互学習） |
応用と評価：下流タスクは KBQA, CSQA, Entity Linking, Relation Extraction, Fact Verification, Link Prediction, Dialogue Systems, Recommendation。応用領域は E-Commerce、Biomedical、Academic、Literature、Legal ほか。Table 1 にタスク・ベンチマーク（WebQSP, CWQ, MetaQA, CSQA, OBQA 等）・手法・指標の対応を示し、GraphRAG 専用ベンチマークとして STARK, GraphQA, GRBENCH, CRAG を挙げる。指標は下流タスク評価（EM, F1, Accuracy, BERT4Score, GPT4Score, BLEU, ROUGE-L, METEOR）と検索品質評価（答えのカバー率とサブグラフサイズの比、query relevance, diversity, faithfulness）。産業システムは GraphRAG（Microsoft）、GraphRAG（NebulaGraph）、GraphRAG（Ant Group：DB-GPT, OpenSPG, TuGraph）、NaLLM（Neo4j）、LLM Graph Builder（Neo4j）。
結果
実験数値なし（サーベイのため著者による比較実験は無い）。成果物は上記の分類体系と Table 1。論文中の数値は、GRBENCH が10個のドメイングラフで答えられる1,740問を含む、という点のみ。
限界・課題
著者が第10節「Future Prospects」で挙げる課題：
| 課題 | 内容 |
|---|---|
| Dynamic and Adaptive Graphs | ほとんどの手法は静的 DB 前提。新しいエンティティ・関係の動的更新が必要 |
| Multi-Modality Information Integration | KG はテキスト中心で画像・音声・動画を含まない。統合するとグラフの規模が指数的に増える |
| Scalable and Efficient Retrieval Mechanisms | 産業 KG は数百万〜数十億エンティティだが既存手法は数千エンティティ規模向け |
| Combination with Graph Foundation Model | グラフ基盤モデルの組み込み方が未解決 |
| Lossless Compression of Retrieved Context | グラフを系列化すると文脈が非常に長くなる。既存研究は圧縮と情報保持のトレードオフに留まる |
| Standard Benchmarks | 統一された標準ベンチマークが無い |
| Broader Applications | 現状はカスタマーサービス・推薦・KBQA 中心。医療・金融・法務・スマートシティ等への拡張が必要 |
本文中の他の限界：GNN と LM のハイブリッド生成器での2モダリティ統合は依然大きな課題。Graph Embeddings を入力できるのはオープンソース LM のみで、エンティティ名の正確な保持や汎化が難しい。graph language を使っても LLM はグラフ構造を十分に理解できていない。query rewriting は本サーベイでは扱わない。
要点
GraphRAG を G-Indexing・G-Retrieval・G-Generation の3段階と学習法で体系化した初の包括的サーベイ。 検索器・検索パラダイム・取得粒度・グラフ表現形式・生成強化の各軸で既存手法を分類し、タスク別ベンチマーク表と産業システム一覧を付す。 動的グラフ・大規模化・文脈圧縮・標準ベンチマークを今後の課題として挙げる。