2025-09-04

1) なにを抽出するか（抽出ターゲットの類型）

A. 基本三点セット

エンティティ / 関係 / 事象（イベント）：文書内・文書間での固有表現、関係リンク、出来事＋役割。

代表的な抽出器として DyGIE++、OneIE、OpenIE 系（OpenIE5/6）、生成型 Relation Extraction の REBEL など。

これらは知識グラフの骨格づくりに使う。

(arXiv, ACL Anthology)

B. 時間・因果・時系列

時間関係（before/after/simultaneous）やイベント因果の抽出。

文書横断のタイムラインや因果グラフの構築に使う。

医療など長文・長期履歴で有効。 (arXiv, ScienceDirect, PMC, ACL Anthology)

C. 論証・主張・根拠（プロヴナンス）

主張/反論/根拠のグラフ（Argument Interchange Format: AIF）や、出典・生成過程のW3C PROVを付与。

回答の説明責任や検証、再現に効く。

(Wikipedia, Centre for Argument Technology, W3C)

D. コア参照・正規化

エンティティの同一性解決（別名/略称/表記揺れ）とリンク（例：Wikidata）。

知識グラフの一貫性・検索再現率に直結（実装上の必須前処理）。

2) どう使うか（グラフ/DAGを使う処理パターン）

① 検索・RAG（グラフ誘導型）

GraphRAG：文書群からKG(Knowledge Graph)を作り、コミュニティ検出→階層サマリを前計算。

ローカル検索（周辺サブグラフ＋原文チャンク）と、グローバル検索（コミュニティ・レポート横断）やDRIFT（両者の併用）で質問に応答。「全体像」系の質問に強い。 (Microsoft GitHub, Microsoft)

HippoRAG：KG 上でPersonalized PageRankを使って関連ノードを広げる単段取得でも多段推論級の精度を狙う（HotpotQA 等で最大20%向上を報告）。多跳問答や探索の効率改善に寄与。 (arXiv)

LightRAG / LlamaIndex-KG：軽量に三つ組抽出→サブグラフRAGを回す実装系。

自前グラフの統合や“低コストでグラフ併用”に向く。

(lightrag.github.io, arXiv, LlamaIndex)

G-Retriever / GRAG：グラフQAに特化し、GNN＋LLM＋RAGで巨大グラフQAを高速・高精度化。

研究目的のGraphQAやKBQAに。 (NeurIPS Proceedings, ACL Anthology)

サーベイ：GraphRAG の標準ワークフロー（G-Indexing→G-Retrieval→G-Generation）の俯瞰。導入前に一読推奨。 (arXiv)

② 要約・全体把握

GraphRAG（QFS志向）：クエリ焦点型要約を、KG＋コミュニティ要約の組合せでスケールさせる。

全社横断レポートや巨大コーパスのテーマ抽出に。 (arXiv)

RAPTOR：クラスタ→階層サマリ木（Tree）を構築して検索時に適切なレベルから引く。

DAG/ツリー系の階層要約インデックス。 (arXiv)

③ エージェント/対話メモリ

Theanine(記憶システム)：メモリの削除を前提にしない。過去の出来事を時間・因果リンクでタイムライン化し、**“出来事の推移/因果”**を文脈として応答生成に注入。評価枠組み TeaFarm も提示（NAACL 2025）。長期対話の文脈保持に特化。 (arXiv)

MemGPT / LongMem：メモリ階層や仮想コンテキスト管理で長履歴を扱う方向（グラフというよりメモリOS/バンク）。Theanine の時間・因果グラフとは補完関係。 (arXiv, NeurIPS Proceedings)

④ 検証・説明・整合性チェック

PROVで由来（誰が/何から/いつ生成）のエッジを保持し、回答時に根拠パスを提示。AIFで主張-根拠-反論の論証グラフを保持して“なぜそう言えるか”を語れる。 (W3C, Wikipedia)

3) 代表アプローチの比較（要点だけ）

4) 実装の勘所（設計パターン）

(a) データモデル設計

Property Graph or RDF：クエリ容易さ（Cypher）か標準語彙/相互運用性（RDF/OWL, PROV-O）か。出典/生成過程は最初から PROV で付けると後が楽。 (W3C)

ノード型の設計： Entity / Event / Claim / Source / Community / Memory 等。時間（発生/観測/有効期間）と因果は一次クラス市民。

IDと同定：コア参照統合（同一人物/組織の別表記）。知識整備のコストを最初期に払うと、後段の多跳検索が安定する。

(b) 抽出パイプライン（最小構成）

1. 分割（段落/文/発話）→言語前処理（NER, co-ref）

2. 関係・イベント抽出：REBEL/OneIE/DyGIE++ など or LLM誘導の三つ組抽出（コスト⇆精度のトレードオフ）。 (ACL Anthology, arXiv)

3. 時間・因果リンク：イベント時刻/順序/因果を抽出（ルール＋LLM、あるいは既存手法）。 (arXiv)

4. 正規化/同定（KBリンク, 辞書, Embedding）

5. 格納（Graph DB / RDF ストア）＋二重インデックス（ベクトル＆グラフ）

6. （任意）階層化：GraphRAGのコミュニティ検出→レポート生成、RAPTOR の階層要約木を事前計算。 (Microsoft, arXiv)

(c) 取得（Retrieval）の作法

ローカル：質問から種ノードを作り近傍展開＋原文チャンクを併用（GraphRAG: Local）。 (Microsoft GitHub)

グローバル：コミュニティ要約を横断して合成（GraphRAG: Global/DRIFT）。テーマ系の質問に効く。 (Microsoft)

ランキング：PPR/短経路/中心性と埋め込みの類似度をハイブリッドに。HippoRAG は PPR が要（実装上の良い出発点）。 (arXiv)

(d) 生成（Generation）

プロンプトに“構造”を渡す：サブグラフ（ノード/エッジ/プロヴナンス）＋必要最小の原文テキスト。

階層要約の合成：GraphRAG のコミュニティ・レポート→部分回答→最終要約という段階合成は大規模でも破綻しにくい。 (arXiv)

(e) メモリ（対話/エージェント）

Theanine流：メモリを削除せず、時間・因果で連結したタイムラインから必要部分を提示。ユーザ状態の変化・経緯理解に有効。MemGPT/LongMem は溢れた履歴の入出庫（階層メモリ）で補完。 (arXiv, NeurIPS Proceedings)

(f) 評価

QA/要約：正確性（EM/F1）、包括性/多様性（GraphRAG 論文のQFS設定など）。 (arXiv)

メモリ統合理解：Theanine の TeaFarm のような反事実テストで「過去の出来事の推移」を本当に使えているかを見る。 (arXiv)

(g) リスクと対策

抽出の幻覚：LLM抽出は誤リンク/過抽象化が出る。二段階抽出（候補→検証）や出典必須で緩和。

更新とドリフト：新規文書のインクリ更新と、古い要約/コミュニティの再計算戦略を設計。GraphRAG はグローバル/ローカル/DRIFT の切替でコスト/品質を調整。 (Microsoft)

5) まずの実装テンプレ（最小構成）

1. ベース：ベクトルRAG（埋め込み＋原文保存）。

2. KG 併用：LlamaIndex KnowledgeGraphIndexで三つ組を生成・格納（Neo4j でも RDF でも可）。同時に PROV-O で出典を結線。 (LlamaIndex, W3C)

3. グラフ活用：

近傍サブグラフ＋原文でローカルGraphRAG。 (Microsoft GitHub)

必要に応じてコミュニティ検出→階層サマリを前計算（グローバルやDRIFT質問に対応）。 (Microsoft)

多跳が多いなら HippoRAG の PPR を導入。 (arXiv)

4. 対話メモリ：ユーザ毎に出来事ノード（発話/行動/好み）を時刻・因果で連結してタイムラインを維持（Theanineの方針）。 (arXiv)

6) 使い分けの指針（ざっくり）

**「全体像・テーマ」**を尋ねる：GraphRAG（グローバル/DRIFT） or RAPTOR。 (arXiv)

「手がかり少なめの多跳QA」：HippoRAG（PPR）→必要なら G-Retriever/GRAG。 (arXiv, NeurIPS Proceedings, ACL Anthology)

「低運用コストでKGを足したい」：LightRAG or LlamaIndex-KG。 (lightrag.github.io, LlamaIndex)

「長期対話のコンテキストを失わずに使いたい」：Theanineの時間・因果タイムライン＋必要に応じて MemGPT/LongMem。 (arXiv, NeurIPS Proceedings)

7) 補足：Graph-of-Thoughts系（“思考”のグラフ化）

抽出対象は「外部テキスト」ではなくLLMの中間思考だが、グラフ構造（再利用・分岐・合流）で推論を強化する系。外部KGと併用して推論の骨格に使える。 (arXiv)

参考・出発点リンク（抜粋）

GraphRAG（仕組み・実装・運用ブログ） (Microsoft GitHub, Microsoft)

HippoRAG（NeurIPS'24） (arXiv)

LightRAG (lightrag.github.io, arXiv)

LlamaIndex: KnowledgeGraphIndex (LlamaIndex)

Theanine（NAACL'25） (arXiv)

RAPTOR（ICLR'24） (arXiv)

GraphRAG Survey（2024） (arXiv)

次の一手（実務向けメモ）

PoCでは：①三つ組抽出＋Subgraph RAG（安価）→②コミュニティ要約/DRIFT（“全体像”質問対応）→③PPR（多跳強化）→④対話タイムライン（長期記憶）の順で拡張。

メトリクス：QA（EM/F1）、包括性/多様性（QFS系）、反事実（TeaFarm）を混ぜる。 (arXiv)

ポリシー：全出力にプロヴナンス（出典パス）を付与。将来の監査・可観測性に効く。 (W3C)

必要なら、手元データ/要件（コーパス規模、質問パターン、遅延予算）に合わせて最小構成の設計図まで具体化します。