BYOKG-RAG: Recuperación de Grafos Multi-Estrategia para la Respuesta a Preguntas sobre Grafos de Conocimiento

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

July 5, 2025

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

cs.AI

Resumen

La respuesta a preguntas sobre grafos de conocimiento (KGQA) presenta desafíos significativos debido a las variaciones estructurales y semánticas en los grafos de entrada. Los trabajos existentes dependen de agentes basados en Modelos de Lenguaje de Gran Escala (LLM) para el recorrido y recuperación del grafo; un enfoque que es sensible a la inicialización del recorrido, ya que es propenso a errores de vinculación de entidades y puede no generalizar bien a grafos de conocimiento personalizados ("bring-your-own"). Introducimos BYOKG-RAG, un marco que mejora KGQA al combinar sinérgicamente LLMs con herramientas especializadas de recuperación de grafos. En BYOKG-RAG, los LLMs generan artefactos críticos del grafo (entidades de la pregunta, respuestas candidatas, rutas de razonamiento y consultas OpenCypher), y las herramientas de grafos vinculan estos artefactos al KG y recuperan el contexto relevante del grafo. El contexto recuperado permite que el LLM refine iterativamente su vinculación y recuperación del grafo, antes de generar la respuesta final. Al recuperar contexto de diferentes herramientas de grafos, BYOKG-RAG ofrece una solución más general y robusta para QA sobre KGs personalizados. A través de experimentos en cinco benchmarks que abarcan diversos tipos de KGs, demostramos que BYOKG-RAG supera al segundo mejor método de recuperación de grafos en 4.5 puntos porcentuales, mostrando además una mejor generalización a KGs personalizados. El marco BYOKG-RAG es de código abierto en https://github.com/awslabs/graphrag-toolkit.

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.