텍스트-그래프 시너지: RAG을 위한 양방향 검증 및 완성 프레임워크

Text-Graph Synergy: A Bidirectional Verification and Completion Framework for RAG

검색 증강 생성(RAG)은 대규모 언어 모델(LLM)에서 사실 기반 지식과 다중 단계 추론 능력을 향상시키는 핵심 패러다임으로 자리 잡았습니다. 기존의 텍스트 기반 RAG는 종종 논리적으로 관련 없는 가짜 증거를 검색하는 반면, 그래프 기반 RAG는 검색 시간의 가지치기로 인해 잠재적으로 유효한 추론 경로를 손실하는 경우가 많습니다. 기존의 하이브리드 방식은 주로 단순한 증거 연결 또는 단방향 강화 방식을 채택하며, 이는 비정형 텍스트와 정형 그래프 간의 비대칭적인 추론 흐름으로 인해 발생하는 근본적인 "정보 격리" 문제를 해결하지 못합니다. 본 논문에서는 텍스트-그래프 시너지 강화를 위한 통합 프레임워크인 **TGS-RAG**을 제안합니다. TGS-RAG은 양방향 메커니즘을 도입합니다. (i) **그래프-텍스트** 채널은 방문한 그래프 노드로부터 글로벌 투표 전략을 사용하여 텍스트 증거를 재평가하고 정제하여 의미론적 노이즈를 제거합니다. (ii) **텍스트-그래프** 채널은 **메모리 기반 고아 엔티티 연결** 알고리즘을 활용합니다. 이 알고리즘은 텍스트 단서를 사용하여 검색 기록에서 추가적인 데이터베이스 오버헤드 없이, 이전에 잘린 유효한 추론 경로를 복원합니다. 여러 다중 단계 추론 벤치마크에서 수행한 실험 결과, TGS-RAG은 최첨단 모델보다 훨씬 뛰어난 성능을 보이며, 검색 정확도와 계산 효율성 간의 균형을 향상시킵니다.

Retrieval-Augmented Generation (RAG) has become a core paradigm for enhancing factual grounding and multi-hop reasoning in Large Language Models (LLMs). Traditional text-based RAG often retrieves logically irrelevant pseudo-evidence, while graph-based RAG is frequently hindered by search-time pruning, which may discard potentially valid reasoning paths. Existing hybrid approaches primarily adopt simple evidence concatenation or unidirectional enhancement, which fails to address the fundamental "Information Island" problem caused by asymmetric reasoning flows between unstructured text and structured graphs. We propose \textbf{TGS-RAG}, a unified framework for \textbf{T}ext-\textbf{G}raph \textbf{S}ynergistic enhancement. TGS-RAG introduces a bidirectional mechanism: (i) a \textbf{Graph-to-Text} channel that employs a Global Voting strategy from visited graph nodes to re-rank and refine textual evidence, filtering out semantic noise; and (ii) a \textbf{Text-to-Graph} channel that utilizes the \textbf{Memory-based Orphan Entity Bridging} algorithm. This algorithm utilizes textual cues to proactively resurrect valid but previously pruned reasoning paths from the search history without additional database overhead. Experimental results on multiple multi-hop reasoning benchmarks demonstrate that TGS-RAG significantly outperforms state-of-the-art baselines, achieving a superior balance between retrieval precision and computational efficiency.