Amélioration de la récupération de données structurées avec GraphRAG : étude de cas sur les données de football

Enhancing Structured-Data Retrieval with GraphRAG: Soccer Data Case Study

September 26, 2024

Auteurs: Zahra Sepasdar, Sushant Gautam, Cise Midoglu, Michael A. Riegler, Pål Halvorsen

cs.AI

Résumé

Extraire des informations significatives à partir de vastes ensembles de données complexes pose des défis importants, notamment en garantissant l'exactitude et la pertinence des informations récupérées. Les méthodes traditionnelles de recherche de données telles que la recherche séquentielle et la recherche basée sur des index échouent souvent lorsqu'il s'agit de traiter des structures de données complexes et interconnectées, ce qui entraîne des résultats incomplets ou trompeurs. Pour surmonter ces limitations, nous présentons Structured-GraphRAG, un cadre polyvalent conçu pour améliorer la recherche d'informations à travers des ensembles de données structurées dans des requêtes en langage naturel. Structured-GraphRAG utilise plusieurs graphes de connaissances, qui représentent les données dans un format structuré et capturent les relations complexes entre les entités, permettant une récupération d'informations plus nuancée et complète. Cette approche basée sur les graphes réduit le risque d'erreurs dans les sorties des modèles linguistiques en ancrant les réponses dans un format structuré, améliorant ainsi la fiabilité des résultats. Nous démontrons l'efficacité de Structured-GraphRAG en comparant ses performances avec celles d'une méthode récemment publiée utilisant la génération augmentée par recherche traditionnelle. Nos résultats montrent que Structured-GraphRAG améliore significativement l'efficacité du traitement des requêtes et réduit les temps de réponse. Bien que notre étude de cas se concentre sur des données de football, la conception du cadre est largement applicable, offrant un outil puissant pour l'analyse de données et l'amélioration des applications de modèles linguistiques à travers divers domaines structurés.

English

Extracting meaningful insights from large and complex datasets poses significant challenges, particularly in ensuring the accuracy and relevance of retrieved information. Traditional data retrieval methods such as sequential search and index-based retrieval often fail when handling intricate and interconnected data structures, resulting in incomplete or misleading outputs. To overcome these limitations, we introduce Structured-GraphRAG, a versatile framework designed to enhance information retrieval across structured datasets in natural language queries. Structured-GraphRAG utilizes multiple knowledge graphs, which represent data in a structured format and capture complex relationships between entities, enabling a more nuanced and comprehensive retrieval of information. This graph-based approach reduces the risk of errors in language model outputs by grounding responses in a structured format, thereby enhancing the reliability of results. We demonstrate the effectiveness of Structured-GraphRAG by comparing its performance with that of a recently published method using traditional retrieval-augmented generation. Our findings show that Structured-GraphRAG significantly improves query processing efficiency and reduces response times. While our case study focuses on soccer data, the framework's design is broadly applicable, offering a powerful tool for data analysis and enhancing language model applications across various structured domains.