Knowledge Graph-Guided Retrieval Augmented Generation
| 項目 | 内容 |
|---|---|
| 論文ID | P50 |
| 区分・分類 | 論文・構造化知識の利用 |
| 著者・所属 | Xiangrong Zhu, Yi Liu, Wei Hu（State Key Laboratory for Novel Software Technology, Nanjing University）／Yuexiang Xie, Yaliang Li（Alibaba Group） |
| 発表先 | Conference of the North American Chapter of the ACL (NAACL 2025) |
| 発表日 | 2025-04 |
| 引用数 | 77（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.18653/v1/2025.naacl-long.449 |
| 論文/pdf/P50.pdf | |
| 読んだ範囲 | 全文 |
論文タイプ
新技術。KGでチャンク間の関係を補う RAG フレームワーク KG2RAG を提案し、既存手法と比較している。
研究の目標
既存の RAG は意味的類似度でチャンクを個別に取ってくるため、似たチャンクが重複し、チャンク同士の関係が失われ、類似度順に並べただけの断片的な文脈になる。本論文は、チャンクを KG（トリプル）と結び付けて事実レベルの関係を与え、取得結果の多様性と一貫性を高めて回答品質と検索品質を上げることを狙う。
技術的なやり方
| 段階 | 内容 |
|---|---|
| オフライン処理 | 文書をチャンク分割し、LLM へのプロンプトで各チャンクからトリプルを抽出。各トリプルに出典チャンクを紐付けた KG（h, r, t, c）を作る。クエリ非依存で一度だけ構築し、文書の追加・削除に対応できる |
| 意味検索 | 埋め込みのコサイン類似度で top-k チャンクを取り、シードとする |
| グラフ誘導拡張 | シードの部分グラフから BFS で m ホップ近傍を辿り、同じ・関連するエンティティを含むチャンクを追加する（類似度や文書内の位置に依らない） |
| 文脈の整理 | 拡張グラフを類似度を重みとする無向グラフにし、連結成分ごとに最大全域木（MST）で冗長な辺を除く（フィルタ）。MST のトリプル表現を cross-encoder で再ランクし、DFS で連結したチャンクを段落として上位から k 件まで LLM に渡す（整列） |
- データセット：HotpotQA（distractor 設定・fullwiki 設定）と、事前知識の影響を避けるためエンティティを同カテゴリの別エンティティに置換した Shuffle-HotpotQA。付録で MuSiQue、TriviaQA
- KG：66,581 文書から Llama-3 で 211,356 トリプル（98,226 エンティティ、19,813 関係）
- 構成：LLaMA3-8B（KG 構築・生成）、mxbai-embed-large（埋め込み）、bge-reranker-large（cross-encoder）、k=10、m=1
- 比較対象：LLM-only、Semantic RAG（+ Rerank）、Hybrid RAG、GraphRAG、LightRAG
結果
回答品質 F1（Table 1）
| 手法 | Hotpot-Dist | Hotpot-Full | Shuffle-Dist | Shuffle-Full |
|---|---|---|---|---|
| LLM-only | 0.237 | 0.237 | 0.158 | 0.158 |
| Semantic RAG + Rerank | 0.652 | 0.587 | 0.532 | 0.447 |
| Hybrid RAG | 0.653 | 0.551 | 0.520 | 0.443 |
| LightRAG | 0.293 | 0.261 | 0.285 | 0.202 |
| GraphRAG | 0.400 | 0.169 | 0.351 | 0.163 |
| KG2RAG | 0.663 | 0.631 | 0.545 | 0.507 |
- 検索品質 F1（Table 2）：KG2RAG 0.436／0.310／0.405／0.305、Semantic RAG + Rerank 0.357／0.306／0.339／0.286（上と同じ列順）
- アブレーション（Hotpot-Dist）：回答 F1・検索 F1・平均チャンク数は、KG2RAG 0.663・0.436・8.11、整理なし 0.660・0.259・16.76、拡張なし 0.626・0.473・4.41
- m=1／2／3 の回答 F1 は 0.663／0.656／0.658。トリプルを 5%・10% 削除しても回答 F1 は 0.662・0.654（Hybrid RAG は 0.653）
- MuSiQue：回答 F1 0.419、EM 0.303、検索 F1 0.451（Hybrid RAG は 0.380、0.250、0.364）。TriviaQA：回答 F1 0.273（Semantic RAG + Rerank は 0.265）
- KG 構築コスト（1チャンクあたり）：KG2RAG は入力 561 トークン・LLM 呼び出し 1 回・1 秒、GraphRAG は 2,791 トークン・5 回・6 秒。1クエリの生成時間は KG2RAG 2,300ms、Semantic RAG 2,500ms、GraphRAG 5,500ms
限界・課題
RAG はクエリ書き換え、検索最適化、マルチターン対話など多方面から改善できるが、KG2RAG は検索最適化（KG による拡張と文脈整理）だけを扱い、他のモジュールは最適化していない。著者は他手法と直交・併用可能とし、今後プラグアンドプレイのツールにするとしている。
要点
チャンクを LLM 抽出の KG と紐付け、意味検索の結果を KG の近傍で広げ、最大全域木で絞り込み段落に並べ直す RAG。HotpotQA 系で既存 RAG・GraphRAG・LightRAG を上回り、特に fullwiki 設定と事前知識を排した Shuffle 版で差が大きい。