하이브리드 RAG 접근 방식을 활용한 질의응답 성능 향상

Augmenting Question Answering with A Hybrid RAG Approach

질의응답(QA) 작업에서 응답 품질을 향상시키는 강력한 기술로 등장한 검색 증강 생성(RAG)은, 기존 방식들이 상황적으로 관련 있는 정보를 검색하는 데 어려움을 겪어 불완전하거나 최적이 아닌 답변을 생성하는 경우가 많습니다. 본 논문에서는 질의 증강, 에이전트 기반 라우팅, 그리고 벡터 기반 및 그래프 기반 기술을 결합한 구조화된 검색 메커니즘을 통합하여 QA 품질을 향상시키는 하이브리드 아키텍처인 Structured-Semantic RAG (SSRAG)를 소개합니다. 검색 프로세스를 개선하고 문맥적 이해도를 높임으로써, 본 연구는 답변 정확도와 정보 제공 능력을 모두 향상시킵니다. TruthfulQA, SQuAD, WikiQA의 세 가지 인기 있는 QA 데이터셋에 대해, 5개의 대규모 언어 모델(LLM)을 사용하여 광범위한 평가를 수행한 결과, 제안하는 접근 방식이 표준 RAG 구현 방식보다 일관되게 응답 품질을 향상시키는 것을 확인했습니다.

Retrieval-Augmented Generation (RAG) has emerged as a powerful technique for enhancing the quality of responses in Question-Answering (QA) tasks. However, existing approaches often struggle with retrieving contextually relevant information, leading to incomplete or suboptimal answers. In this paper, we introduce Structured-Semantic RAG (SSRAG), a hybrid architecture that enhances QA quality by integrating query augmentation, agentic routing, and a structured retrieval mechanism combining vector and graph based techniques with context unification. By refining retrieval processes and improving contextual grounding, our approach improves both answer accuracy and informativeness. We conduct extensive evaluations on three popular QA datasets, TruthfulQA, SQuAD and WikiQA, across five Large Language Models (LLMs), demonstrating that our proposed approach consistently improves response quality over standard RAG implementations.