UniAI-GraphRAG: 온톨로지 기반 추출, 다차원 클러스터링 및 양방향 퓨전을 결합하여 강력한 멀티홉 추론을 구현하는 프레임워크

UniAI-GraphRAG: Synergizing Ontology-Guided Extraction, Multi-Dimensional Clustering, and Dual-Channel Fusion for Robust Multi-Hop Reasoning

Retrieval-Augmented Generation (RAG) 시스템은 복잡한 추론, 멀티홉 쿼리 및 특정 분야의 질의 응답에서 중요한 어려움에 직면합니다. 기존의 GraphRAG 프레임워크는 구조적 지식 체계화에 있어 진전을 이루었지만, 여전히 산업 간의 적용 가능성, 커뮤니티 보고서의 정확성 및 검색 성능 측면에서 한계가 있습니다. 본 논문에서는 오픈 소스 GraphRAG를 기반으로 개선된 프레임워크인 UniAI-GraphRAG를 제안합니다. 이 프레임워크는 세 가지 핵심 혁신을 도입합니다: (1) 사전 정의된 스키마를 활용하여 LLM이 특정 분야의 개체 및 관계를 정확하게 식별하도록 안내하는 온톨로지 기반 지식 추출; (2) 커뮤니티의 완전성을 향상시키기 위해 정렬 완료, 속성 기반 클러스터링 및 멀티홉 관계 클러스터링을 포함하는 다차원 커뮤니티 클러스터링 전략; (3) 하이브리드 그래프 및 커뮤니티 검색을 통해 질의 응답의 정확성과 성능을 균형 있게 유지하는 양방향 그래프 검색 퓨전. MultiHopRAG 벤치마크에서의 평가 결과는 UniAI-GraphRAG가 주류 오픈 소스 솔루션(예: LightRAG)보다 종합적인 F1 점수에서 우수한 성능을 보이며, 특히 추론 및 시간 관련 쿼리에서 더 높은 성능을 나타냄을 보여줍니다. 코드 및 관련 정보는 https://github.com/UnicomAI/wanwu/tree/main/rag/rag_open_source/rag_core/graph 에서 확인할 수 있습니다.

Retrieval-Augmented Generation (RAG) systems face significant challenges in complex reasoning, multi-hop queries, and domain-specific QA. While existing GraphRAG frameworks have made progress in structural knowledge organization, they still have limitations in cross-industry adaptability, community report integrity, and retrieval performance. This paper proposes UniAI-GraphRAG, an enhanced framework built upon open-source GraphRAG. The framework introduces three core innovations: (1) Ontology-Guided Knowledge Extraction that uses predefined Schema to guide LLMs in accurately identifying domain-specific entities and relations; (2) Multi-Dimensional Community Clustering Strategy that improves community completeness through alignment completion, attribute-based clustering, and multi-hop relationship clustering; (3) Dual-Channel Graph Retrieval Fusion that balances QA accuracy and performance through hybrid graph and community retrieval. Evaluation results on MultiHopRAG benchmark show that UniAI-GraphRAG outperforms mainstream open source solutions (e.g.LightRAG) in comprehensive F1 scores, particularly in inference and temporal queries. The code is available at https://github.com/UnicomAI/wanwu/tree/main/rag/rag_open_source/rag_core/graph.