HG-RAG：階層型知識グラフを用いたRAGフレームワーク──グラフ探索により多ホップ推論精度を向上

論文概要

本論文は、従来のRAG（Retrieval-Augmented Generation）が抱える「フラットな文書ストアからの検索では階層的・関係的な推論が困難である」という課題に対し、知識グラフ（Knowledge Graph）を活用した新しいフレームワーク「HG-RAG（Hierarchy-Guided RAG）」を提案する。クエリから名前付きエンティティをアンカーとして特定し、グラフ構造を上下左右に探索することで、LLMに対して構造化された文脈を供給する。

関連研究

従来のRAGシステムは、主にベクトルデータベースを用いたセマンティック検索に依存しており、文書間の階層関係や複雑なリレーションを明示的に扱うことが困難であった。本研究は、グラフ構造を明示的に探索することで、これらの文脈情報を補完するアプローチをとる。

新規性と貢献

HG-RAGの主な貢献は、グラフ探索パイプラインの導入にある。クエリに関連するエンティティを起点として、親ノード（上位概念）、隣接ノード（関係性）、子ノード（下位概念）を動的に探索することで、LLMが必要とする文脈を構造的に抽出する。これにより、フラットな検索手法では困難だった多ホップ推論や階層的推論におけるハルシネーションを抑制する。

提案手法の詳細

HG-RAGの検索パイプラインは以下のプロセスで構成される。

1. エンティティ特定: クエリから名前付きエンティティを抽出する。
2. グラフ探索: 特定したアンカーノードから、グラフの階層を上下左右にトラバースする。
3. 文脈構築: 探索によって得られた構造化情報をLLMのプロンプトに組み込む。 この設計は、単なるテキストの類似度ではなく、知識のトポロジー（構造）を直接参照することで、推論の正確性を担保することを意図している。

評価・考察

18〜800ノードの3つのワールドスケールにおいて、4つのクエリタイプ（ローカルファクト、階層的、近傍、多ホップ）で評価を実施した。結果として、階層的・関係的・多ホップ推論タスクにおいて、従来のベクトルベースラインを上回る精度を達成した。また、局所的な一貫性を維持しつつハルシネーションの低減を確認している。

応用例と今後の展望

本手法は、製造業の部品構成管理（BOM）や金融業界の組織構造解析など、階層構造を持つ知識ベースを扱うシステムにおいて、RAGの推論精度を向上させるための実務的なアプローチとなる。日本のエンジニアにとっては、既存のベクトル検索にグラフデータベースを組み合わせるハイブリッドな検索アーキテクチャの実装における重要な参考資料となる。今後の課題は、大規模なグラフデータにおける探索の計算コストの最適化である。

結論

HG-RAGは、知識グラフの階層構造を探索することで、従来のフラットなRAGの限界を克服した。構造化された知識をLLMに供給する手法として、複雑な論理推論が必要なタスクにおいて有効な選択肢を提供する。

注釈

• RAG (Retrieval-Augmented Generation): LLMが外部知識を参照して回答を生成する手法。
• 知識グラフ (Knowledge Graph): エンティティとそれらの関係性をグラフ形式で記述したデータベース。