Miscela di Recupero Strutturale e Testuale su Basi di Conoscenza Grafiche Ricche di Testo

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

February 27, 2025

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

cs.AI

Abstract

Le basi di conoscenza grafiche ricche di testo (TG-KBs) sono diventate sempre più cruciali per rispondere alle query fornendo conoscenza testuale e strutturale. Tuttavia, i metodi di recupero attuali spesso recuperano questi due tipi di conoscenza in modo isolato, senza considerare il loro rafforzamento reciproco, e alcuni metodi ibridi bypassano completamente il recupero strutturale dopo l'aggregazione dei vicini. Per colmare questa lacuna, proponiamo una Miscela di Recupero Strutturale e Testuale (MoR) per recuperare questi due tipi di conoscenza attraverso un framework di Pianificazione-Ragionamento-Organizzazione. Nella fase di Pianificazione, MoR genera grafici di pianificazione testuale che delineano la logica per rispondere alle query. Seguendo i grafici di pianificazione, nella fase di Ragionamento, MoR intreccia l'attraversamento strutturale e la corrispondenza testuale per ottenere candidati dalle TG-KBs. Nella fase di Organizzazione, MoR riordina ulteriormente i candidati recuperati in base alla loro traiettoria strutturale. Esperimenti estensivi dimostrano la superiorità di MoR nell'armonizzare il recupero strutturale e testuale con approfondimenti, tra cui la performance di recupero disomogenea tra diverse logiche di query e i benefici dell'integrazione delle traiettorie strutturali per il riordinamento dei candidati. Il nostro codice è disponibile all'indirizzo 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.