BYOKG-RAG : Récupération Multi-Stratégies sur Graphe pour le Question-Réponse sur Graphes de Connaissances

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

Le question-réponse sur graphes de connaissances (KGQA) présente des défis majeurs en raison des variations structurelles et sémantiques entre les graphes d'entrée. Les travaux existants s'appuient sur des agents basés sur des modèles de langage de grande taille (LLM) pour le parcours et la récupération dans les graphes ; une approche sensible à l'initialisation du parcours, car elle est sujette à des erreurs de liaison d'entités et peut mal généraliser aux graphes de connaissances personnalisés ("bring-your-own"). Nous présentons BYOKG-RAG, un cadre qui améliore le KGQA en combinant de manière synergique les LLM avec des outils spécialisés de récupération dans les graphes. Dans BYOKG-RAG, les LLM génèrent des artefacts graphiques critiques (entités de la question, réponses candidates, chemins de raisonnement et requêtes OpenCypher), et les outils graphiques lient ces artefacts au graphe et récupèrent le contexte graphique pertinent. Le contexte récupéré permet au LLM d'affiner itérativement sa liaison et sa récupération dans le graphe, avant la génération finale de la réponse. En récupérant le contexte à partir de différents outils graphiques, BYOKG-RAG offre une solution plus générale et robuste pour le question-réponse sur des graphes de connaissances personnalisés. À travers des expériences sur cinq benchmarks couvrant divers types de graphes, nous démontrons que BYOKG-RAG surpasse la deuxième meilleure méthode de récupération graphique de 4,5 points de pourcentage tout en montrant une meilleure généralisation aux graphes de connaissances personnalisés. Le cadre BYOKG-RAG est open-source à l'adresse 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.