知識グラフでRAG検索精度を向上

ベクトル・インスティテュートのAli Kore氏とAmrit Krishnan氏らは、大規模言語モデルの外部知識活用手法「取得拡張生成（RAG）」の精度向上を目指し、構造化知識を統合する「エンティティベースKG-RAG」を発表した。従来のRAGはベクトル類似度検索に依存し、文書間の関係性やマルチホップ推論に対応する際に文脈が失われやすい課題を抱えていた。同手法は、LLMにより文書からエンティティと関係を抽出してナレッジグラフを構築し、クエリ対応エンティティの近傍グラフを検索することで、構造的紐帯に基づいた文脈選択を実現する。 主要テクノロジー企業のSEC 10-Q報告書に基づく評価では、GPT-4o搭載環境で正解率が40％から55％に、GPT-4o-miniで36.36％から56％にそれぞれ向上した。特に小型モデルにおいて構造化グラフの補完効果が顕著となり、複数セクションに跨る財務指標の比較推論で従来手法を大幅に上回った。グラフ探索による検索オーバーヘッドは最小限に抑えられ、実運用可能なレイテンシを実現している。 同チームは、エンティティ解決の精度課題や計算コスト増に言及しつつ、財務・法的文書のような複雑な関係性を持つドメインにおいて、本手法が構造的理解を強化し検索の透明性と正確性を飛躍的に高めることを実証した。構造化知識の統合がRAGの限界を超える鍵となることを示唆する本研究成果は、企業知識管理における次世代アーキテクチャの基盤として注目されている。