Mezcla de Recuperación Estructural y Textual sobre Bases de Conocimiento de Grafos Ricos en Texto

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

February 27, 2025

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

cs.AI

Resumen

Las Bases de Conocimiento de Grafos con Texto Enriquecido (TG-KBs, por sus siglas en inglés) se han vuelto cada vez más cruciales para responder consultas al proporcionar conocimiento tanto textual como estructural. Sin embargo, los métodos de recuperación actuales suelen obtener estos dos tipos de conocimiento de manera aislada, sin considerar su refuerzo mutuo, y algunos métodos híbridos incluso omiten por completo la recuperación estructural después de la agregación de vecinos. Para abordar esta brecha, proponemos una Mezcla de Recuperación Estructural y Textual (MoR, por sus siglas en inglés) para obtener estos dos tipos de conocimiento mediante un marco de Planificación-Razonamiento-Organización. En la etapa de Planificación, MoR genera grafos de planificación textual que delinean la lógica para responder a las consultas. Siguiendo los grafos de planificación, en la etapa de Razonamiento, MoR entrelaza el recorrido estructural y la coincidencia textual para obtener candidatos de las TG-KBs. En la etapa de Organización, MoR reordena aún más los candidatos recuperados en función de su trayectoria estructural. Experimentos exhaustivos demuestran la superioridad de MoR en armonizar la recuperación estructural y textual, con hallazgos que incluyen un rendimiento de recuperación desigual en diferentes lógicas de consulta y los beneficios de integrar trayectorias estructurales para el reordenamiento de candidatos. Nuestro código está disponible en 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.