Mengsel van Structurele en Tekstuele Retrieval over Tekstrijke Grafiek Kennisbanken

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

Samenvatting

Tekstrijke Grafische Kennisbanken (TG-KBs) zijn steeds belangrijker geworden voor het beantwoorden van vragen door tekstuele en structurele kennis te bieden. Huidige retrievamethodeën halen deze twee soorten kennis echter vaak geïsoleerd op, zonder rekening te houden met hun wederzijdse versterking, en sommige hybride methoden omzeilen zelfs de structurele retrieval volledig na naburige aggregatie. Om deze kloof te dichten, stellen we een Mixture of Structural-and-Textual Retrieval (MoR) voor om deze twee soorten kennis op te halen via een Planning-Reasoning-Organizing raamwerk. In de Planning-fase genereert MoR tekstuele planningsgrafieken die de logica voor het beantwoorden van vragen schetsen. Na de planningsgrafieken verweeft MoR in de Reasoning-fase structurele doorlopen en tekstuele matching om kandidaten uit TG-KBs te verkrijgen. In de Organizing-fase herrangschikt MoR de opgehaalde kandidaten verder op basis van hun structurele traject. Uitgebreide experimenten tonen de superioriteit van MoR aan in het harmoniseren van structurele en tekstuele retrieval met inzichten, waaronder ongelijke retrievemogelijkheden bij verschillende vraaglogica's en de voordelen van het integreren van structurele trajecten voor het herrangschikken van kandidaten. Onze code is beschikbaar op 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.