BYOKG-RAG: Multi-Strategie-Graphenabruf für die Fragebeantwortung mit Wissensgraphen

BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering

July 5, 2025

papers.authors: Costas Mavromatis, Soji Adeshina, Vassilis N. Ioannidis, Zhen Han, Qi Zhu, Ian Robinson, Bryan Thompson, Huzefa Rangwala, George Karypis

cs.AI

papers.abstract

Die Beantwortung von Fragen mithilfe von Wissensgraphen (Knowledge Graph Question Answering, KGQA) stellt aufgrund der strukturellen und semantischen Variationen in den Eingabegraphen erhebliche Herausforderungen dar. Bisherige Ansätze setzen auf Agenten, die auf großen Sprachmodellen (Large Language Models, LLMs) basieren, um Graphendurchläufe und -abfragen durchzuführen. Dieser Ansatz ist jedoch anfällig für Fehler bei der Initialisierung der Durchläufe, da er zu Fehlern bei der Entitätsverknüpfung neigt und möglicherweise nicht gut auf benutzerdefinierte ("bring-your-own") Wissensgraphen verallgemeinert. Wir stellen BYOKG-RAG vor, ein Framework, das KGQA verbessert, indem es LLMs synergetisch mit spezialisierten Graph-Retrieval-Tools kombiniert. In BYOKG-RAG generieren LLMs kritische Graph-Artefakte (Frageentitäten, Kandidatenantworten, Argumentationspfade und OpenCypher-Abfragen), und Graph-Tools verknüpfen diese Artefakte mit dem Wissensgraphen und holen den relevanten Graph-Kontext. Der abgerufene Kontext ermöglicht es dem LLM, seine Graph-Verknüpfungen und -Abfragen iterativ zu verfeinern, bevor die endgültige Antwort generiert wird. Durch das Abrufen von Kontext aus verschiedenen Graph-Tools bietet BYOKG-RAG eine allgemeinere und robustere Lösung für die Beantwortung von Fragen über benutzerdefinierte Wissensgraphen. In Experimenten mit fünf Benchmarks, die verschiedene Arten von Wissensgraphen abdecken, zeigen wir, dass BYOKG-RAG die zweitbeste Graph-Retrieval-Methode um 4,5 Prozentpunkte übertrifft und eine bessere Generalisierung auf benutzerdefinierte Wissensgraphen aufweist. Das BYOKG-RAG-Framework ist unter https://github.com/awslabs/graphrag-toolkit quelloffen verfügbar.

English

Knowledge graph question answering (KGQA) presents significant challenges due to the structural and semantic variations across input graphs. Existing works rely on Large Language Model (LLM) agents for graph traversal and retrieval; an approach that is sensitive to traversal initialization, as it is prone to entity linking errors and may not generalize well to custom ("bring-your-own") KGs. We introduce BYOKG-RAG, a framework that enhances KGQA by synergistically combining LLMs with specialized graph retrieval tools. In BYOKG-RAG, LLMs generate critical graph artifacts (question entities, candidate answers, reasoning paths, and OpenCypher queries), and graph tools link these artifacts to the KG and retrieve relevant graph context. The retrieved context enables the LLM to iteratively refine its graph linking and retrieval, before final answer generation. By retrieving context from different graph tools, BYOKG-RAG offers a more general and robust solution for QA over custom KGs. Through experiments on five benchmarks spanning diverse KG types, we demonstrate that BYOKG-RAG outperforms the second-best graph retrieval method by 4.5% points while showing better generalization to custom KGs. BYOKG-RAG framework is open-sourced at https://github.com/awslabs/graphrag-toolkit.