GRAG : Génération augmentée par récupération de graphes

Alors que la Génération Augmentée par Récupération (RAG) améliore la précision et la pertinence des réponses des modèles de langage génératifs, elle reste insuffisante dans les contextes basés sur les graphes où les informations textuelles et topologiques sont toutes deux importantes. Les approches naïves de RAG négligent intrinsèquement les complexités structurelles des graphes textuels, ce qui crée une lacune critique dans le processus de génération. Pour relever ce défi, nous introduisons la Génération augmentée par récupération de graphes (GRAG), qui améliore significativement les processus de récupération et de génération en mettant l’accent sur l’importance des structures de sous-graphes. Contrairement aux approches RAG qui se concentrent uniquement sur la récupération d’entités basées sur le texte, GRAG maintient une conscience aiguë de la topologie du graphe, ce qui est crucial pour générer des réponses cohérentes contextuellement et factuellement. Notre approche GRAG comprend quatre étapes principales : indexation des ego-graphes à k sauts, récupération de graphes, élagage souple pour atténuer l’impact des entités non pertinentes, et génération avec des sous-graphes textuels élagués. Le flux principal de GRAG — récupération de sous-graphes textuels suivie d’un élagage souple — identifie efficacement les structures de sous-graphes pertinentes tout en évitant l’infaisabilité computationnelle typique des recherches exhaustives de sous-graphes, qui sont NP-difficiles. De plus, nous proposons une nouvelle stratégie d’amorçage qui permet une conversion sans perte des sous-graphes textuels en descriptions textuelles hiérarchiques. Des expériences approfondies sur des benchmarks de raisonnement multi-sauts sur graphes démontrent que dans les scénarios nécessitant un raisonnement multi-sauts sur des graphes textuels, notre approche GRAG surpasse significativement les méthodes RAG actuelles de pointe tout en réduisant efficacement les hallucinations.