구조화된 지식 그래프에 대한 계층 구조 지침에 기반한 검색 증강 생성

Retrieval Augmented Generation(RAG)은 대규모 언어 모델(LLM)의 출력 품질을 더 넓은 맥락에서 향상시키는 데 성공적인 프로세스임이 입증되었다. 그러나 RAG 시스템은 일반적으로 평면 문서 저장소에서 컨텍스트를 검색한다. 이는 구조화된 지식에 대한 계층적 또는 관계적 추론이 필요한 질의에 어려움을 겪는다. 나는 HG-RAG(Hierarchy-Guided RAG)이라는 Framework를 제시하는데, 이는 계층적 지식 그래프를 순회하는 것을 통해 언어 모델에 구조화된 컨텍스트를 제공한다. 내 Retrieval Pipeline은 질의에서 이름된 엔티티 anchor를 해결한 후, 부모 노드, 관계적 이웃, 자식 노드를 통해 컨텍스트를 확장한다. 나는 HG-RAG을 18-800 노드의 세 가지 세계 규모와 네 가지 질의 유형(지역 사실, 계층적, 이웃, 멀티-홉)에 대한 밀도 검색 baseline과 비교한다. 결과는 HG-RAG이 계층적, 관계적, 멀티-홉 추론 작업에서 평면 baseline을 상회하며, 환각을 줄이고 지역 고유성 일관성을 유지한다.