HyperGraphRAG: Retrieval-Augmented Generation via Hypergraph-Structured Knowledge Representation

要約

GraphRagは、グラフベースの知識表現によってこのアプローチを進めますが、標準の検索成功世代（RAG）はチャンクベースの検索に依存しています。
ただし、通常のグラフの各エッジは2つのエンティティのみを接続し、実際の知識でn ary関係（n> = 2）を表す能力を制限するため、既存のグラフベースのRAGアプローチはバイナリ関係によって制約されます。
この作業では、ハイパーグラフベースのRAGメソッドであるハイパーグラフラグを提案します。これは、ハイページェッジを介したn ary関係の事実を表し、知識のハイパーグラフの構築、検索、および生成で構成されています。
医学、農業、コンピューターサイエンス、および法律にわたる実験は、ハイパーグラフラグが、回答の精度、検索効率、および生成品質の標準的なRAGと以前のグラフベースのRAGメソッドの両方を上回ることを示しています。

要約(オリジナル)

Standard Retrieval-Augmented Generation (RAG) relies on chunk-based retrieval, whereas GraphRAG advances this approach by graph-based knowledge representation. However, existing graph-based RAG approaches are constrained by binary relations, as each edge in an ordinary graph connects only two entities, limiting their ability to represent the n-ary relations (n >= 2) in real-world knowledge. In this work, we propose HyperGraphRAG, a novel hypergraph-based RAG method that represents n-ary relational facts via hyperedges, and consists of knowledge hypergraph construction, retrieval, and generation. Experiments across medicine, agriculture, computer science, and law demonstrate that HyperGraphRAG outperforms both standard RAG and previous graph-based RAG methods in answer accuracy, retrieval efficiency, and generation quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google