GraphRAG (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

GraphRAG — זוהי פרדיגמה משופרת של Retrieval-Augmented Generation (RAG), שבה במקום חיפוש מסורתי בין קטעי טקסט מבודדים (chunks) נעשה שימוש בגרף ידע (Knowledge Graph, KG)[1]. המבנה הגרפי מייצג במפורש את הקשרים בין ישויות ואת היררכיית מושגי התחום, מה שמאפשר ל-LLM לבצע חילוץ ידע לוגי רב-שלבי ולנסח תשובות מודעות-הקשר ומוסברות יותר[2].

גישת GraphRAG מציגה יתרון משמעותי על פני RAG הקלאסי בעבודה עם שאילתות מורכבות ורב-שלביות (multi‑hop), שבהן התשובה תלויה בשילוב של מספר עובדות המפוזרות על פני מסמכים שונים[3].

מגבלות ה-RAG הקלאסי ויתרונות הגרף

ה-RAG הקלאסי, המבוסס על חיפוש וקטורי בטקסט לא מובנה, נתקל במספר מגבלות יסודיות שהופכות קריטיות בתרחישים ארגוניים מורכבים:

  • היעדר קשרים מבניים: RAG מסורתי מטפל בקטעי טקסט כיחידות מבודדות ואינו רואה קשרים מפורשים ביניהם. הדבר הופך אותו ללא-יעיל עבור שאילתות multi‑hop, שבהן לצורך המענה יש לעבור לאורך שרשרת עובדות (A→B→C), אך החיפוש מוצא רק את הטבעת הראשונה והאחרונה (A ו-C), ומחמיץ את הביניים[1].
  • עמימות סמנטית: בתחומים מתמחים מאוד (רפואה, משפטים, הנדסה) למונחים יש משמעויות ספציפיות. חיפוש וקטורי, הקולט את הנושא הכללי, עלול לפרש בצורה שגויה את תפקידו של אובייקט מסוים, מה שמוביל לחילוץ הקשר לא-רלוונטי.
  • הסברתיות מוגבלת: RAG קלאסי מספק קטעי מסמכים, אך לא הוכחות מפורשות לאופן שבו קטעים אלה מתחברים לשרשרת לוגית. GraphRAG, לעומת זאת, הופך תהליך זה לשקוף, מספק כהוכחה את הנתיב בגרף ודורש עיגון של טענות למקורות (ציטוט)[4].

GraphRAG פותר בעיות אלה על ידי ייצוג ידע כרשת של ישויות וקשרים מקושרים, מה שמאפשר למערכת לא רק למצוא טקסט דומה, אלא לבצע הסקה לוגית בהתבסס על מודל פורמלי של תחום הידע.

ארכיטקטורת GraphRAG

צינור העיבוד הכללי של GraphRAG מרחיב את ה-RAG הקלאסי בהוספת שלבי בניית גרף הידע ושימוש בו. הוא מתחלק לשני שלבים עיקריים: הכנה אופליין ועיבוד שאילתה אונליין.

שלב 1: קליטה ואינדוקס (אופליין)

בשלב זה נתוני המקור (מסמכים, מסדי נתונים) מומרים לשני ייצוגים משלימים: גרפי ווקטורי.

  1. חילוץ ידע: מהטקסטים מחולצים עובדות מובנות באמצעות צינור NLP:
    • Named Entity Recognition (NER): איתור אזכורים של ישויות (אנשים, ארגונים, מוצרים).
    • Entity Linking (EL): קישור אזכורים למזהים קנוניים בגרף לצורך פתרון עמימות (למשל, "ישראל ישראלי" ו"י. ישראלי" הופכים לצומת אחד)[5].
    • Relation Extraction (RE): זיהוי קשרים בין ישויות (למשל, חברה X −רכשה→ סטארטאפ Y).
  2. מידול ואחסון הגרף: המשולשים שחולצו (נושא-פרדיקט-אובייקט) נטענים למסד נתונים גרפי. בחירת המודל (Property Graph או RDF) תלויה במשימה. חשיבות קריטית נודעת לאחסון מקור (provenance) של כל עובדה — קישור למסמך המקור ולקטע הטקסט[3]. לגרף ניתן להוסיף גם מטא-נתונים על זמן (valid_from/valid_to) ומהימנות (confidence).
  3. אינדוקס היברידי: במקביל לגרף נוצר אינדקס וקטורי עבור קטעי הטקסט המקוריים. הדבר מאפשר לשלב חיפוש מבני בגרף עם חיפוש סמנטי בטקסט.

שלב 2: עיבוד שאילתה ויצירת תשובה (אונליין)

  1. פירוש השאילתה: שאילתת המשתמש נותחת לשם חילוץ ישויות מפתח המשמשות כ"נקודות כניסה" לגרף.
  2. חילוץ תת-גרף: במקום לחפש chunks בודדים, GraphRAG מוצא תת-גרף רלוונטי — קטע גרף מקושר סביב "נקודות הכניסה", המכיל את המידע הדרוש למענה. לשם כך משמשים אלגוריתמים כגון k‑hop traversal או Personalized PageRank (PPR)[6].
  3. חיפוש היברידי ומיזוג תוצאות: במקביל לחילוץ תת-הגרף מתבצע חיפוש באינדקס הוקטורי ו/או הלקסיקלי (BM25). התוצאות מהגרף ומהטקסט ממוזגות ומועברות לשלב הבא.
  4. דירוג מחדש (Re‑ranking): רשימת המועמדים הממוזגת (צמתי גרף וקטעי טקסט) מדורגת מחדש באמצעות מודל מדויק יותר (למשל, cross-encoder) לצורך סינון המידע הרלוונטי ביותר. הדבר מאפשר לסנן רעש ולשפר את הדיוק[7].
  5. אריזת הקשר ויצירה: ההקשר שנבחר ודורג (תת-גרף וטקסטים) מומר לפורמט מובן ל-LLM (למשל, רשימת טענות עם ציון מקורות). הקשר מועשר זה מוזן ל-prompt ליצירת התשובה הסופית.
  6. מעקב וציטוט: הודות לקישור "עובדה ↔ מקור" בגרף, התשובה שנוצרה מכילה הפניות מדויקות למסמכים המאשרים כל טענה. הדבר מבטיח רמת ביסוס ושקיפות גבוהה.

טבלת השוואת רכיבים

ניתוח השוואתי של רכיבי ארכיטקטורה מרכזיים של GraphRAG
רכיב/היבט גרסאות יישום יתרונות חסרונות/סיכונים מתי עדיף
מודל גרף ידע RDF/OWL אונטולוגיה קפדנית, הסקה לוגית (reasoning), תאימות עם Linked Open Data. קשה לאחסן תכונות קשרים (זמן, מקור) ללא ישויות נוספות (reification). תחומים עשירים סמנטית עם אונטולוגיות קיימות; נדרשת דדוקציה.
Property Graph (Neo4j, etc.) גמישות, תכונות שרירותיות על צמתים/קשתות, ביצועים גבוהים. דורש סכמה ברורה ידנית או סיכון ל"בלגן"; אין תקן מאוחד. התחלה מהירה עם נתונים לא מובנים; אינטגרציה עם מסמכים (multi‑model DB).
חילוץ תת-גרף k‑hop BFS / DFS מכסה את כל הצמתים עד עומק k, פשוט ליישום. "פיצוץ" גרף: גידול מפולת במספר הצמתים; עלול להחזיר הרבה רעש. גרפים קטנים או מעבר בעומק 1–2; מבנים היררכיים.
Personalized PageRank (PPR) מתמקד בצמתים המקושרים באמת, רעש מסונן[6]. עלול להחמיץ צומת רחוק אך חשוב (אם מעט נתיבים אך הוא קריטי). רשתות מורכבות עם נתיבים רבים (גרף חברתי, גרף ציטוטים).
חיפוש היברידי רשימה משולבת (scalar fusion עם משקל λ) כוונון משקלי λ מאפשר איזון precision/recall לפי משימה[8]. λ קבוע אינו אופטימלי לכל סוגי השאילתות. בשלב אבות-טיפוס; כאשר ידוע שמקור אחד חשוב יותר מראש.
Cross‑encoder rerank שיפור משמעותי בדיוק; אפשרות להתחשב בקשרים מורכבים. מגדיל זמן תגובה; דורש נתוני אימון או שימוש במודלים מוכנים[7]. תרחישי high‑precision (משפטים, רפואה), שבהם חשוב הקשר רלוונטי מקסימלי.
אבטחת נתונים סינון תת-גרף (RBAC/ABAC) בקרה גרנולרית (עד רמת הצומת) מונעת דליפות. "אזורים עיוורים": אם צומת חשוב הוסר, התשובה עלולה להיות חלקית. בסביבות ארגוניות עם דרישות גישה מחמירות (PII, GDPR, סודות מסחריים).

מעקב, אמון ואבטחה

אחד היתרונות המרכזיים של GraphRAG הוא האפשרות להציג שרשרות הוכחה שקופות. במקום תשובת "קופסה שחורה", המערכת יכולה להציג את נתיב ההיסק: "עובדה A מוזכרת ב-[doc1]. היא קשורה לעובדה B [doc2], ו-B לפי [doc3] מוביל ל-C" — מה שמגביר את אמון המשתמש ומפשט את הדיבאגינג.

בנוסף, המבנה הגרפי מאפשר יישום גרנולרי של בקרת גישה (RBAC/ABAC). לכל צומת או קשת בגרף יכולה להיות תווית גישה. בעת חילוץ תת-הגרף, המערכת מסננת אוטומטית נתונים שאין למשתמש הרשאה אליהם, ומבטיחה אבטחה בתחומים רגישים (פיננסים, משאבי אנוש, רפואה).

הערכת איכות

הערכת מערכת GraphRAG היא רב-שלבית וכוללת מדדים עבור כל רכיב:

  • מדדי חילוץ ידע: F1‑score עבור NER ו-RE, להערכת איכות בניית הגרף.
  • מדדי חילוץ תת-גרף: Subgraph Recall@K (שיעור המקרים שבהם הצמתים/הקשתות הנחוצים למענה נכללו בתת-הגרף שחולץ) ו-Path Precision/Recall לשאלות multi‑hop.
  • מדדי תשובת LLM:
    • Faithfulness / Groundedness: עד כמה התשובה נשענת בדקדקנות על ההקשר שסופק.
    • Human evaluation: הערכה על ידי מומחים לפי קריטריונים של נכונות, שלמות וקוהרנטיות.

לאוטומציה של ההערכה משמשים benchmark-ים מתמחים (למשל, WebQuestionsSP, GrailQA) ו-framework-ים (למשל, RAGAS)[9].

ראו גם

  • Retrieval‑Augmented Generation (RAG)
  • גרף ידע
  • מסד נתונים וקטורי
  • Embedding
  • AI-סוכן
  • הערכה ו-benchmark-ים של LLM

ספרות

  • Zhang, Q. et al. (2025). A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models. arXiv:2501.13958.
  • Xu, Z. et al. (2024). Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering. arXiv:2404.17723.
  • Hu, Y. et al. (2024). GRAG: Graph Retrieval‑Augmented Generation. arXiv:2405.16506.
  • Nakano, R. et al. (2021). WebGPT: Browser‑assisted Question‑Answering with Human Feedback. arXiv:2112.09332.
  • Yang, R. et al. (2025). KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning. arXiv:2503.14234.
  • Song, Y. et al. (2023). Advancements in Complex Knowledge Graph Question Answering: A Survey. DOI:10.3390/electronics12214395.
  • Nogueira, R.; Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
  • Hsu, H.‑L.; Tzeng, J. (2025). DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation. arXiv:2503.23013.
  • Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. arXiv:2005.11401.
  • Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain Question Answering. arXiv:2004.04906.
  • Sun, H. et al. (2018). Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net). arXiv:1809.00782.
  • Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text. arXiv:1904.09537.
  • He, X. et al. (2024). G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering. arXiv:2402.07630.
  • Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). RAGAs: Automated Evaluation of Retrieval Augmented Generation. ACL:2024.eacl-demo.16.

הערות

  1. ↑ 1.0 1.1 Zhang, Q., et al. A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models. arXiv, 2025. arXiv:2501.13958.
  2. ↑ Xu, Z., et al. Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering. SIGIR, 2024. arXiv:2404.17723; DOI: 10.1145/3626772.3661370.
  3. ↑ 3.0 3.1 Hu, Y., et al. GRAG: Graph Retrieval‑Augmented Generation. arXiv, 2024. arXiv:2405.16506; также в Findings of NAACL 2025: ACL Anthology.
  4. ↑ Nakano, R., et al. WebGPT: Browser‑assisted question‑answering with human feedback. arXiv, 2021. arXiv:2112.09332.
  5. ↑ Yang, R., et al. KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning. arXiv, 2025. arXiv:2503.14234.
  6. ↑ 6.0 6.1 Song, Y., Li, W., Dai, G., Shang, X. Advancements in Complex Knowledge Graph Question Answering: A Survey. Electronics, 2023. DOI: 10.3390/electronics12214395.
  7. ↑ 7.0 7.1 Nogueira, R., Cho, K. Passage Re‑ranking with BERT. arXiv, 2019. arXiv:1901.04085.
  8. ↑ Hsu, H.‑L.; Tzeng, J. DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation. arXiv, 2025. arXiv:2503.23013.
  9. ↑ Es, S.; James, J.; Espinosa Anke, L.; Schockaert, S. RAGAs: Automated Evaluation of Retrieval Augmented Generation. EACL (System Demonstrations), 2024. ACL:2024.eacl-demo.16; также preprint: arXiv:2309.15217.
Retrieved from "https://systems-analysis.info/int/index.php?title=GraphRAG_(HE)&oldid=2731"