Смешанный подход структурного и текстового поиска в текстоориентированных графовых базах знаний

Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases

February 27, 2025

Авторы: Yongjia Lei, Haoyu Han, Ryan A. Rossi, Franck Dernoncourt, Nedim Lipka, Mahantesh M Halappanavar, Jiliang Tang, Yu Wang

cs.AI

Аннотация

Графовые базы знаний с богатым текстовым содержанием (TG-KBs) становятся все более важными для ответов на запросы, предоставляя как текстовую, так и структурную информацию. Однако современные методы поиска часто извлекают эти два типа знаний по отдельности, не учитывая их взаимного усиления, а некоторые гибридные методы даже полностью игнорируют структурный поиск после агрегации соседних элементов. Чтобы заполнить этот пробел, мы предлагаем метод Смешанного Структурно-Текстового Поиска (MoR), который извлекает эти два типа знаний с помощью фреймворка Планирование-Рассуждение-Организация. На этапе Планирования MoR генерирует текстовые графы планирования, описывающие логику ответа на запросы. Следуя графам планирования, на этапе Рассуждения MoR объединяет структурный обход и текстовое сопоставление для получения кандидатов из TG-KBs. На этапе Организации MoR дополнительно переранжирует извлеченных кандидатов на основе их структурной траектории. Многочисленные эксперименты демонстрируют превосходство MoR в гармонизации структурного и текстового поиска, включая неравномерную производительность поиска для различных логик запросов и преимущества интеграции структурных траекторий для переранжирования кандидатов. Наш код доступен по адресу https://github.com/Yoega/MoR.

English

Text-rich Graph Knowledge Bases (TG-KBs) have become increasingly crucial for answering queries by providing textual and structural knowledge. However, current retrieval methods often retrieve these two types of knowledge in isolation without considering their mutual reinforcement and some hybrid methods even bypass structural retrieval entirely after neighboring aggregation. To fill in this gap, we propose a Mixture of Structural-and-Textual Retrieval (MoR) to retrieve these two types of knowledge via a Planning-Reasoning-Organizing framework. In the Planning stage, MoR generates textual planning graphs delineating the logic for answering queries. Following planning graphs, in the Reasoning stage, MoR interweaves structural traversal and textual matching to obtain candidates from TG-KBs. In the Organizing stage, MoR further reranks fetched candidates based on their structural trajectory. Extensive experiments demonstrate the superiority of MoR in harmonizing structural and textual retrieval with insights, including uneven retrieving performance across different query logics and the benefits of integrating structural trajectories for candidate reranking. Our code is available at https://github.com/Yoega/MoR.