GraphRAG関連サーベイ
2025-09-04
GPT5.icon
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。
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。
C. 論証・主張・根拠（プロヴナンス）
回答の説明責任や検証、再現に効く。
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）
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) 自前グラフの統合や“低コストでグラフ併用”に向く。
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) 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) 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）
table:_
系統 主要抽出 使う構造 強み/用途（要点）
GraphRAG（Microsoft） LLMでKG抽出＋コミュニティ検出→階層サマリ KG＋階層（グローバル/ローカル/DRIFT） 全体像・多文書のQFSに強い。運用手引き・実装が充実。 (Microsoft GitHub, Microsoft) HippoRAG エンティティ/関係 KG＋Personalized PageRank 多跳QAで低コスト高精度。単段取得でも強い。 (arXiv) LlamaIndex-KG 三つ組抽出 Subgraph RAG 既存RAGにKGリトリーバを足す構成が簡単。 (LlamaIndex) Theanine 対話メモリ断片 時間・因果で連結したタイムライン 長期対話で“変化の経緯”を理解して応答に反映。 (arXiv) RAPTOR 埋め込み→クラスタ 階層サマリ木（Tree/DAG） 巨大コーパスを上位概念から段階的に検索。 (arXiv) 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）
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
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：
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) 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）
HippoRAG（NeurIPS'24） (arXiv) Theanine（NAACL'25） (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。