Η τεχνική Retrieval Augmented Generation (RAG) έχει καθιερωθεί ως μια επιτυχημένη μέθοδος για τη βελτίωση των αποτελεσμάτων των Μεγάλων Γλωσσικών Μοντέλων (LLMs). Ωστόσο, τα παραδοσιακά συστήματα RAG αντιμετωπίζουν δυσκολίες όταν καλούνται να διαχειριστούν ερωτήματα που απαιτούν ιεραρχική ή σχεσιακή λογική, καθώς συνήθως ανακτούν πληροφορίες από «επίπεδες» αποθήκες εγγράφων.
Το Πλαίσιο HG-RAG
Σύμφωνα με πρόσφατη έρευνα που δημοσιεύθηκε στο ArXiv, το HG-RAG (Hierarchy-Guided RAG) εισάγει μια νέα αρχιτεκτονική που εκτελεί περιήγηση σε ιεραρχικά γραφήματα γνώσης. Η διαδικασία ανάκτησης ξεκινά με τον εντοπισμό μιας οντότητας-άγκυρας (named entity anchor) από το ερώτημα του χρήστη. Στη συνέχεια, το σύστημα επεκτείνει το πλαίσιο πληροφοριών προς τρεις κατευθύνσεις:
- Προς τα πάνω: Μέσω των γονικών κόμβων.
- Πλευρικά: Μέσω σχεσιακών γειτόνων.
- Προς τα κάτω: Μέσω θυγατρικών κόμβων, όπου αυτό κρίνεται απαραίτητο.
Αξιολόγηση και Αποτελέσματα
Η αποτελεσματικότητα του HG-RAG αξιολογήθηκε έναντι μιας βάσης αναφοράς πυκνής ανάκτησης (dense retrieval baseline) σε τρεις κλίμακες δεδομένων, από 18 έως 800 κόμβους. Οι δοκιμές περιελάμβαναν τέσσερις τύπους ερωτημάτων: τοπικά γεγονότα, ιεραρχικά ερωτήματα, ερωτήματα γειτονιάς και ερωτήματα πολλαπλών βημάτων (multi-hop).
Τα αποτελέσματα δείχνουν ότι το HG-RAG υπερέχει σταθερά στις εργασίες που απαιτούν ιεραρχική και σχεσιακή λογική. Επιπλέον, η μέθοδος συμβάλλει στη μείωση των φαινομένων «παραισθήσεων» (hallucinations) των μοντέλων, διατηρώντας παράλληλα τη συνοχή της τοπικότητας των δεδομένων.
