텍스트 중심 그래프 지식 베이스에 대한 구조적 및 텍스트 기반 검색의 혼합

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

February 27, 2025

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

cs.AI

초록

텍스트 중심 그래프 지식 베이스(Text-rich Graph Knowledge Bases, TG-KBs)는 텍스트와 구조적 지식을 제공함으로써 질의에 답변하는 데 점점 더 중요한 역할을 하고 있습니다. 그러나 현재의 검색 방법들은 이 두 가지 유형의 지식을 상호 강화를 고려하지 않고 따로 검색하는 경우가 많으며, 일부 하이브리드 방법들은 이웃 집계 이후 구조적 검색을 완전히 생략하기도 합니다. 이러한 격차를 메우기 위해, 우리는 구조적 및 텍스트 검색의 혼합(Mixture of Structural-and-Textual Retrieval, MoR)을 제안하여 이 두 유형의 지식을 계획-추론-조직화 프레임워크를 통해 검색합니다. 계획 단계에서 MoR은 질의에 답변하기 위한 논리를 설명하는 텍스트 계획 그래프를 생성합니다. 계획 그래프에 따라, 추론 단계에서 MoR은 구조적 탐색과 텍스트 매칭을 결합하여 TG-KBs에서 후보를 얻습니다. 조직화 단계에서 MoR은 검색된 후보들을 그들의 구조적 궤적을 기반으로 재정렬합니다. 광범위한 실험을 통해 MoR이 구조적 및 텍스트 검색을 조화롭게 통합하는 데 있어 우수성을 입증하였으며, 이는 다양한 질의 논리에서의 불균일한 검색 성능과 후보 재정렬을 위한 구조적 궤적 통합의 이점을 포함합니다. 우리의 코드는 https://github.com/Yoega/MoR에서 확인할 수 있습니다.

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.