FlowRAG: 빈도 기반 다중 수준 그래프 플로우를 통한 명시적 추론의 시너지 효과

FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow

그래프 기반 검색 증강 생성(GraphRAG)은 지식 집약적인 멀티홉 질의 작업에 효과적이지만, 기존 방법들은 주로 개체 기반 그래프를 사용하고 암묵적인 의미 관련성 전파에 의존합니다. 이는 종종 (i) 사용자 쿼리가 추상적이거나 개체 수준에서 의미적으로 희소할 때 검색 성능 저하를 초래하며, (ii) 노이즈가 많은 활성화로 인해 개체 간 연결 과정이 틀어지고 추론된 관계 체인이 왜곡되어 신뢰성이 떨어지는 멀티홉 추론 문제를 야기합니다. 이러한 문제를 해결하기 위해, 우리는 의미 정보를 고려한 검색 프레임워크인 exttt{FlowRAG}를 제안합니다. exttt{FlowRAG}는 텍스트, 요약, 문장 및 개체에 대한 4단계 이종 그래프를 구축하며, 여기서 요약 노드는 거친 수준의 의미 중심 역할을 합니다. 검색 시에는 이중 수준 활성화 모듈을 사용하여 요약-쿼리 정렬과 문장 단위 매칭을 결합하여 패러프레이즈 및 추상화에 강건한 관련 개체를 활성화합니다. 또한, 우리는 각 텍스트 내 단어 빈도를 가중치로 사용하는 가중 플로우 모듈을 도입하여 노이즈를 제거하고 신뢰도가 높은 추론 경로를 추출하여 생성의 명시적인 논리 구조를 제공합니다. 광범위한 실험 결과, exttt{FlowRAG}는 복잡한 추론 벤치마크에서 최첨단 성능을 달성하는 것으로 나타났습니다.

Graph-based retrieval-augmented generation (GraphRAG) is effective for knowledge-intensive and multi-hop query tasks; however, many existing methods primarily seed entity-based graphs and rely on implicit semantic relevance propagation. This often (i) under-retrieves when user queries are abstract and semantically sparse at the entity level, and (ii) suffers from brittle multi-hop reasoning, where noisy activations can derail entity-to-entity transitions and corrupt the inferred relation chain, yielding unreliable conclusions. To this end, we propose \texttt{FlowRAG}, a semantic-aware retrieval framework that improves both semantic recall and explicit reasoning. Specifically, \texttt{FlowRAG} constructs a quad-level heterogeneous graph over passages, summaries, sentences, and entities, where summary nodes serve as a coarse semantic hub. At retrieval time, a dual-granularity activation module combines summary--query alignment with sentence-level matching to activate relevant entities under paraphrase and abstraction robustly. We then introduce a frequency-aware weighted flow module that routes relevance through entity--passage links weighted by within-passage term frequency, pruning noisy connections and extracting high-confidence reasoning paths as an explicit logic skeleton for generation. Extensive experiments show that \texttt{FlowRAG} obtains state-of-the-art performance on complex reasoning benchmarks.