Mélange de récupération structurelle et textuelle sur des bases de connaissances de graphes riches en texte

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

February 27, 2025

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

cs.AI

Résumé

Les bases de connaissances graphiques riches en texte (TG-KBs) sont devenues de plus en plus cruciales pour répondre aux requêtes en fournissant des connaissances textuelles et structurelles. Cependant, les méthodes de recherche actuelles récupèrent souvent ces deux types de connaissances de manière isolée, sans tenir compte de leur renforcement mutuel, et certaines méthodes hybrides contournent même entièrement la recherche structurelle après une agrégation voisine. Pour combler cette lacune, nous proposons un Mélange de Recherche Structurelle et Textuelle (MoR) afin de récupérer ces deux types de connaissances via un cadre de Planification-Raisonnement-Organisation. Dans l'étape de Planification, MoR génère des graphes de planification textuelle décrivant la logique pour répondre aux requêtes. Suite aux graphes de planification, dans l'étape de Raisonnement, MoR entrelace le parcours structurel et la correspondance textuelle pour obtenir des candidats à partir des TG-KBs. Dans l'étape d'Organisation, MoR réordonne davantage les candidats récupérés en fonction de leur trajectoire structurelle. Des expériences approfondies démontrent la supériorité de MoR dans l'harmonisation de la recherche structurelle et textuelle, avec des insights, notamment une performance de récupération inégale selon les différentes logiques de requête et les avantages de l'intégration des trajectoires structurelles pour le réordonnancement des candidats. Notre code est disponible à l'adresse 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.