Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases

要約

テキストが豊富なグラフ知識ベース（TG​​-KBS）は、テキストおよび構造的知識を提供することにより、クエリに答えるためにますます重要になっています。
ただし、現在の検索方法は、多くの場合、これらの2種類の知識を相互強化といくつかのハイブリッド方法を考慮せずに単独で取得し、隣接する集約後に完全に構​​造検索をバイパスします。
このギャップを埋めるために、構造とテキストの検索（MOR）の混合物を提案して、計画の合理化を整理するフレームワークを介してこれら2つのタイプの知識を取得します。
計画段階では、MORはクエリに答えるためのロジックを描写するテキスト計画グラフを生成します。
計画グラフに続いて、推論段階で、MORはTG-KBSから候補者を獲得するために構造的トラバーサルとテキストマッチングを織り交ぜます。
組織化段階では、MORは、構造的軌跡に基づいて候補者をさらに再生しました。
広範な実験は、異なるクエリロジック間のパフォーマンスを取得する不均一な取得や、候補者の再ランキングの構造軌跡を統合することの利点など、洞察との構造的およびテキスト検索を調和させる際のMORの優位性を示しています。
私たちのコードは、https：//github.com/yoega/morで入手できます。

要約(オリジナル)

Text-rich Graph Knowledge Bases (TG-KBs) have become increasingly crucial for answering queries by providing textual and structural knowledge. However, current retrieval methods often retrieve these two types of knowledge in isolation without considering their mutual reinforcement and some hybrid methods even bypass structural retrieval entirely after neighboring aggregation. To fill in this gap, we propose a Mixture of Structural-and-Textual Retrieval (MoR) to retrieve these two types of knowledge via a Planning-Reasoning-Organizing framework. In the Planning stage, MoR generates textual planning graphs delineating the logic for answering queries. Following planning graphs, in the Reasoning stage, MoR interweaves structural traversal and textual matching to obtain candidates from TG-KBs. In the Organizing stage, MoR further reranks fetched candidates based on their structural trajectory. Extensive experiments demonstrate the superiority of MoR in harmonizing structural and textual retrieval with insights, including uneven retrieving performance across different query logics and the benefits of integrating structural trajectories for candidate reranking. Our code is available at https://github.com/Yoega/MoR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google