Graph Retrieval-Augmented Generation: A Survey

from GraphRAG Graph Retrieval-Augmented Generation: A Survey https://arxiv.org/abs/2408.08921 RAGの弱点（関係性を無視、冗長コンテキスト、全体像の欠落）を、グラフ構造（KG/TAG）の活用で補い、より正確・文脈理解の深い生成を実現するための技術体系を整理した総説。

何が新しいか

• GraphRAGの定式化：
  1. G-Indexing（グラフ構築・索引化）
  2. G-Retrieval（ノード/トリプル/パス/サブグラフの取得）
  3. G-Generation（取得グラフを入力に生成）
• 文字列RAGでは拾いにくい関係知識・グローバル構造を活用し、QFSなどでも有利。

G-Indexing（グラフ基盤）

• データ源：オープンKG（Wikidata/ConceptNet等）／自前構築（文書・表・ログからのTAG化）。
  • TAGとは
    • Text-Attributed Graphs
    • 
    • NGはKnowledge Graphのこと
      • 従来Knowledge Graphと呼ばれていたものから一段階抽象化したということ
• 索引：
  • グラフ索引（構造探索）
  • テキスト索引（テンプレ変換→BM25/密検索）
  • ベクトル索引（ノード/エゴネット埋め込み）
  • ハイブリッド推奨。

G-Retrieval（取得）

• リトリーバ：非パラメトリック（BFS/最短路/PCST）、LM系、GNN系、または複合。
• パラダイム：一括／反復（適応/非適応）／多段（粗→精）。
• 粒度：ノード・トリプル・パス・サブグラフ・混在。
• 強化：クエリ拡張/分解、知識のマージ/剪定（再ランキング、PageRank、LLMチェック等）。

G-Generation（生成）

• 生成器：
  • GNN（判別タスクに強い）
  • LM（生成/推論に強い）
  • ハイブリッド：カスケード（GNN→LM前置き）／並列（表現結合・出力統合）。
• グラフのLM入力形式：
  • グラフ言語（エッジ表、自然文、コード風表記、構文木、ノード列）
  • グラフ埋め込み（Prefix/Prompt TuningやFiDで融合）。
• 生成強化：事前（書き換え・計画）／途中（制約デコード等）／事後（回答統合・検証）。

学習

• 学習不要：規則探索＋プロンプト、埋め込み類似。
• 学習あり：監督/遠隔監督/RL/自己教師でリトリーバ・生成器を最適化。
• 共同学習：交互学習や統合目的で相互強化。

適用・評価

• タスク：KBQA/CSQA、EL/RE、ファクト検証、リンク予測、対話、推薦。
• 領域：Eコマース、医療、学術、法務、文芸など。
• ベンチ：WebQSP/CWQ/HotpotQA等、STaRK・GraphQA・GRBENCH・CRAG。
• 指標：EM/F1/Accuracy/BLEU類＋取得品質（被覆・多様性・忠実度）。

産業事例

• Microsoft GraphRAG（コミュニティ要約でQFS強化）、NebulaGraph版、Ant Group版、Neo4j NaLLM/Graph Builder など。

今後の論点

• 動的グラフ更新と適応、マルチモーダル統合、大規模グラフでの効率化、
• Graph Foundation Modelsとの連携、ロスレス圧縮で長文脈問題緩和、標準ベンチ整備、応用拡張。

実務のヒント（超要約）

• 小規模でもハイブリッド索引＋多段取得で精度/コスト最適化。
• タスクに合わせて粒度（パス/サブグラフ中心）を選択。
• LM入力は短く・完全・可読なグラフ言語に（必要ならコミュニティ要約）。
• 重要局面は再ランキング/剪定と事後検証を入れると安定します。