Mischung aus struktureller und textueller Suche in textreichen Graphen-Wissensbasen

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

February 27, 2025

Autoren: Yongjia Lei, Haoyu Han, Ryan A. Rossi, Franck Dernoncourt, Nedim Lipka, Mahantesh M Halappanavar, Jiliang Tang, Yu Wang

cs.AI

Zusammenfassung

Textreiche Graph-Wissensbasen (TG-KBs) sind zunehmend entscheidend geworden, um Anfragen durch die Bereitstellung von textuellen und strukturellen Informationen zu beantworten. Allerdings erfassen aktuelle Retrieval-Methoden diese beiden Wissensarten oft isoliert, ohne ihre gegenseitige Verstärkung zu berücksichtigen, und einige hybride Methoden umgehen das strukturelle Retrieval sogar vollständig nach der Nachbarschaftsaggregation. Um diese Lücke zu schließen, schlagen wir eine Mischung aus strukturellem und textuellem Retrieval (MoR) vor, um diese beiden Wissensarten über ein Planungs-Reasoning-Organisations-Framework zu erfassen. In der Planungsphase generiert MoR textuelle Planungsgraphen, die die Logik zur Beantwortung von Anfragen skizzieren. Anschließend verknüpft MoR in der Reasoning-Phase strukturelle Traversierung und textuelle Übereinstimmung, um Kandidaten aus den TG-KBs zu gewinnen. In der Organisationsphase ordnet MoR die abgerufenen Kandidaten weiter basierend auf ihrem strukturellen Verlauf neu. Umfangreiche Experimente demonstrieren die Überlegenheit von MoR bei der Harmonisierung von strukturellem und textuellem Retrieval mit Erkenntnissen, einschließlich ungleichmäßiger Retrieval-Leistung bei verschiedenen Anfragelogiken und den Vorteilen der Integration struktureller Verläufe für die Neubewertung von Kandidaten. Unser Code ist verfügbar unter https://github.com/Yoega/MoR.

English

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.