Mistura de Recuperação Estrutural e Textual sobre Bases de Conhecimento de Grafos Ricos em Texto

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

February 27, 2025

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

cs.AI

Resumo

Bases de Conhecimento de Grafos Ricos em Texto (TG-KBs, na sigla em inglês) tornaram-se cada vez mais cruciais para responder a consultas, fornecendo conhecimento textual e estrutural. No entanto, os métodos atuais de recuperação frequentemente obtêm esses dois tipos de conhecimento de forma isolada, sem considerar sua mútua reforçabilidade, e alguns métodos híbridos até mesmo ignoram completamente a recuperação estrutural após a agregação de vizinhança. Para preencher essa lacuna, propomos uma Mistura de Recuperação Estrutural e Textual (MoR, na sigla em inglês) para recuperar esses dois tipos de conhecimento por meio de um framework de Planejamento-Raciocínio-Organização. Na etapa de Planejamento, o MoR gera grafos de planejamento textual que delineiam a lógica para responder às consultas. Seguindo os grafos de planejamento, na etapa de Raciocínio, o MoR entrelaça a travessia estrutural e a correspondência textual para obter candidatos das TG-KBs. Na etapa de Organização, o MoR reclassifica ainda mais os candidatos recuperados com base em sua trajetória estrutural. Experimentos extensivos demonstram a superioridade do MoR em harmonizar a recuperação estrutural e textual, com insights que incluem o desempenho desigual de recuperação em diferentes lógicas de consulta e os benefícios da integração de trajetórias estruturais para a reclassificação de candidatos. Nosso código está disponível em 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.