맥락 인식 및 관계 인식 그래프 검색 기반 생성 모델을 위한 통합 프레임워크

A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

검색 증강 생성(RAG)은 대규모 언어 모델(LLM)에 외부 지식을 활용하는 패러다임으로 떠올랐지만, 기존의 그래프 기반 방법은 근본적인 한계를 가지고 있습니다. 개체 중심 및 청크 중심 접근 방식은 원래 텍스트에 고정된 표현을 사용하여 작동하며, 진정한 지식 통합이 이루어지지 않습니다. 개체 중심 방법은 논리적으로 관련된 콘텐츠를 연결하고, 청크 중심 방법은 문맥을 보존하지만, 두 방법 모두 유사성 검색을 통해 정보를 별도로 검색하여 정보의 합성으로부터 발생하는 새로운 이해를 놓치고 있습니다. 본 논문에서는 HyGRAG라는 계층적 그래프 RAG 프레임워크를 제안합니다. 이 프레임워크는 원본 문서의 한계를 넘어 세 가지 핵심 문제를 해결합니다: 맥락적 및 관계 정보를 진정으로 통합하는 요약 생성, 이러한 합성된 표현을 활용하여 검색 과정에서 새로운 지식에 접근, 그리고 동적인 코퍼스를 위한 계층적 구조를 효율적으로 업데이트. 구체적으로, 우리는 청크 노드와 개체 노드를 모두 포함하는 하이브리드 그래프에 대한 계층적 인덱스 구조를 설계하고, 이를 반복적으로 클러스터링하여 LLM 기반 요약을 생성합니다. 또한, 맥락 및 관계 정보를 고려한 검색을 통해 모든 추상화 수준에서 검색을 수행하며 커뮤니티 멤버십을 확장합니다. 더욱이, 우리는 첨부 기반 알고리즘을 사용하여 로컬 재요약만으로 동적인 지식 업데이트를 가능하게 합니다. 실험 결과는 HyGRAG가 다중 단계 추론 작업의 평균 정확도를 9.7% 향상시키며, 동시에 합리적인 효율성을 유지함을 보여줍니다.

Retrieval-Augmented Generation (RAG) has emerged as a paradigm for enhancing large language models (LLMs) with external knowledge, yet existing graph-based methods face a fundamental limitation: entity-centric and chunk-centric approaches operate on representations anchored to original text without true knowledge fusion. While entity-centric methods connect logically related content and chunk-centric methods preserve context, both retrieve information separately through similarity search, missing emergent understanding from their synthesis. In this paper, we propose HyGRAG, a hierarchical graph RAG framework that transcends source documents by addressing three core challenges: constructing summaries that genuinely integrate contextual and relational information, leveraging these synthesized representations to access emergent knowledge during retrieval, and efficiently updating hierarchical structures for dynamic corpora. Specifically, we design hierarchical index structures over hybrid graphs with both chunk and entity nodes, then iteratively cluster them and generate LLM-based summaries. Then, we design context and relation-aware retrieval that searches across all abstraction levels while expanding through community membership. Moreover, we enable dynamic knowledge update through attachment-based algorithms with only local re-summarization. Experimental results show that HyGRAG improves the average accuracy of multi-hop reasoning tasks by 9.7%, while maintaining reasonable efficiency.