GraphRAG (HU)

GraphRAG — egy továbbfejlesztett Retrieval-Augmented Generation (RAG) paradigma, amelyben a hagyományos, szétszórt szövegtöredékeken (chunkokon) alapuló keresés helyett tudásgráfot (Knowledge Graph, KG) alkalmaz. A gráfstruktúra explicit módon reprezentálja az entitások közötti kapcsolatokat és a szakterületi fogalmak hierarchiáját, ami lehetővé teszi az LLM számára a többlépéses logikai tudáskinyerést, és kontextuálisan tudatosabb, magyarázhatóbb válaszok előállítását.

A GraphRAG megközelítés jelentős előnyt mutat a klasszikus RAG-gal szemben összetett, többlépéses (multi‑hop) lekérdezések esetén, ahol a válasz több, különböző dokumentumokban szétszórt tény kombinációjától függ.

A klasszikus RAG korlátai és a gráf előnyei

A strukturálatlan szövegen alapuló vektoros keresést alkalmazó klasszikus RAG számos alapvető korlátba ütközik, amelyek összetett vállalati forgatókönyvekben kritikussá válnak:

• Strukturális kapcsolatok hiánya: A hagyományos RAG a szöveges chunkokat izolált egységekként kezeli, és nem látja az explicit kapcsolatokat köztük. Ez hatástalanná teszi a multi‑hop lekérdezések esetén, ahol a válaszhoz tények láncolatán kell végighaladni (A→B→C), a keresés viszont csak a kezdő és záró elemet találja meg (A és C), a közbülsőket kihagyva.
• Szemantikai kétértelműség: Szűk szakterületeken (orvostudomány, jogtudomány, mérnöki tudományok) a kifejezéseknek sajátos jelentésük van. A vektoros keresés, bár az általános témát megragadja, téves következtetésre juthat egy adott objektum szerepéről, ami irreleváns kontextus kinyeréséhez vezet.
• Korlátozott magyarázhatóság: A klasszikus RAG dokumentumrészleteket nyújt, de nem ad explicit bizonyítékot arra, hogyan kapcsolódnak ezek a részletek logikai láncba. A GraphRAG ezzel szemben átláthatóvá teszi ezt a folyamatot: bizonyítékként a gráfban lévő utat szolgáltatja, és megköveteli az állítások forráshoz kötését (hivatkozás).

A GraphRAG ezeket a problémákat azzal oldja meg, hogy a tudást összekapcsolt entitások és relációk hálózataként reprezentálja, lehetővé téve a rendszer számára, hogy ne csupán hasonló szöveget találjon, hanem logikai következtetést hajtson végre a szakterület formalizált modellje alapján.

A GraphRAG architektúrája

A GraphRAG általános folyamata kibővíti a klasszikus RAG-ot a tudásgráf felépítésének és felhasználásának lépéseivel. Két fő szakaszra osztható: offline előkészítés és online lekérdezésfeldolgozás.

1. szakasz: Betöltés és indexelés (offline)

Ebben a szakaszban a forrásadatok (dokumentumok, adatbázisok) két egymást kiegészítő reprezentációvá alakulnak: gráfos és vektoros.

1. Tudáskinyerés: A szövegekből strukturált tények kerülnek kinyerésre egy NLP-folyamat segítségével:
   • Named Entity Recognition (NER): Entitás-előfordulások megtalálása (személyek, szervezetek, termékek).
   • Entity Linking (EL): Az előfordulások összekapcsolása a gráfban lévő kanonikus azonosítókkal a kétértelműség feloldása érdekében (pl. „Kovács J." és „J. Kovács" egyetlen csomóponttá válik).
   • Relation Extraction (RE): Entitások közötti relációk feltárása (pl. X Vállalat −megszerezte→ Y Startup).
2. Gráfmodellezés és tárolás: A kinyert hármasokat (alany‑állítmány‑tárgy) egy gráfadatbázisba töltik be. A modell megválasztása (Property Graph vagy RDF) a feladattól függ. Kritikusan fontos minden tény eredetének (provenance) tárolása — a forrásanyagra és a szövegrészletre mutató hivatkozással együtt. A gráfhoz időbeli (valid_from/valid_to) és megbízhatósági (confidence) metaadatok is adhatók.
3. Hibrid indexelés: A gráf mellett vektoros index is készül a forrás szövegtöredékekhez. Ez lehetővé teszi a gráfon alapuló strukturális keresés és a szövegen alapuló szemantikus keresés kombinálását.

2. szakasz: Lekérdezésfeldolgozás és válaszgenerálás (online)

1. Lekérdezés elemzése: A felhasználói lekérdezést kulcsentitások azonosítása céljából elemzik, amelyek a gráfba való „belépési pontokként" szolgálnak.
2. Részgráf kinyerése: Az egyes chunkok keresése helyett a GraphRAG releváns részgráfot keres — a „belépési pontok" körüli, a válaszhoz szükséges információkat tartalmazó összefüggő gráfrészletet. Ehhez olyan algoritmusokat használnak, mint a k‑hop bejárás vagy a Personalized PageRank (PPR).
3. Hibrid keresés és eredményegyesítés: A részgráf kinyerésével párhuzamosan vektoros és/vagy lexikális (BM25) indexen is keresés folyik. A gráfból és a szövegből kapott eredmények egyesítésre kerülnek, és a következő lépésbe kerülnek.
4. Újrarangsorolás (Re‑ranking): Az egyesített jelöltlista (gráfcsomópontok és szöveges chunkok) egy pontosabb modellel (pl. cross-encoder) kerül újrarangsorolásra a legrelevánsabb információk kiválasztásához. Ez lehetővé teszi a zaj kiszűrését és a pontosság növelését.
5. Kontextuscsomagolás és generálás: A kiválasztott és rangsorolt kontextus (részgráf és szövegek) az LLM számára érthető formátumba alakul (pl. forrásjelöléssel ellátott állítások listája). Ez a gazdagított kontextus kerül a promptba a végső válasz generálásához.
6. Visszakövetés és hivatkozás: A gráfban lévő „tény ↔ forrás" kapcsolatnak köszönhetően a generált válasz pontos hivatkozásokat tartalmaz az egyes téziseket alátámasztó dokumentumokra. Ez magas fokú megalapozottságot és átláthatóságot biztosít.

Komponensek összehasonlító táblázata

A GraphRAG architektúra kulcskomponenseinek összehasonlító elemzése

Komponens/szempont	Megvalósítási változatok	Előnyök	Hátrányok/kockázatok	Mikor előnyös
Tudásgráf-modell	RDF/OWL	Szigorú ontológia, logikai következtetés (reasoning), kompatibilitás a Linked Open Data-val.	A relációk attribútumainak tárolása (idő, forrás) nehézkes kiegészítő entitások (reifikáció) nélkül.	Szemantikailag gazdag szakterületek meglévő ontológiákkal; ha dedukció szükséges.
Property Graph (Neo4j stb.)	Rugalmasság, tetszőleges tulajdonságok csomópontokon/éleken, magas teljesítmény.	Egyértelmű sémát igényel manuálisan, különben „káosz" kockázata; nincs egységes szabvány.	Gyors indulás strukturálatlan adatokkal; integrálás dokumentumokkal (multi‑model DB).
Részgráf kinyerése	k‑hop BFS / DFS	Lefedi az összes csomópontot k mélységig, egyszerűen implementálható.	Gráf „robbanása": a csomópontok száma lavinálisan nő; sok zajt adhat vissza.	Kis gráfok vagy 1–2 mélységű bejárás; hierarchikus struktúrák.
Personalized PageRank (PPR)	A valóban kapcsolódó csomópontokra fókuszál, a zaj kiszűrődik.	Kihagyhat egy távolabbi, de fontos csomópontot (ha kevés út vezet oda, de kritikus).	Sok úttal rendelkező összetett hálózatok (szociális gráf, hivatkozási gráf).
Hibrid keresés	Kombinált lista (skaláris fusion λ súllyal)	A λ súlyok hangolása lehetővé teszi a precision/recall egyensúlyozását a feladatnak megfelelően.	A rögzített λ nem optimális minden lekérdezéstípushoz.	Prototipizálás során; ha ismert, hogy az egyik forrás eleve fontosabb.
Cross‑encoder rerank	Jelentős pontosságnövekedés; összetett összefüggések figyelembevételének lehetősége.	Növeli a késleltetést; tanítási adatokat igényel, vagy kész modellek használatát.	Nagy pontosságot igénylő forgatókönyvek (jogtudomány, orvostudomány), ahol a maximálisan releváns kontextus a döntő.
Adatbiztonság	Részgráf-szűrés (RBAC/ABAC)	Részletes hozzáférés-vezérlés (csomópontszintig) kizárja az adatszivárgást.	„Vakfoltok": ha egy fontos csomópontot kivágnak, a válasz hiányos lehet.	Szigorú hozzáférési követelményekkel rendelkező vállalati környezetekben (PII, GDPR, üzleti titok).

Visszakövetés, megbízhatóság és biztonság

A GraphRAG egyik fő előnye az átlátható bizonyítékláncolatok bemutatásának lehetősége. A „fekete doboz" jellegű válasz helyett a rendszer képes megmutatni az érvelési utat: „Az A tény szerepel a [doc1]-ben. Kapcsolódik a B ténnyel [doc2], és a B a [doc3] szerint C-hez vezet" — ez növeli a felhasználói bizalmat és megkönnyíti a hibakeresést.

Ezenfelül a gráfstruktúra lehetővé teszi a részletes hozzáférés-vezérlés (RBAC/ABAC) megvalósítását. A gráf minden csomópontján vagy élén lehet hozzáférési jelölés. A részgráf kinyerésekor a rendszer automatikusan kiszűri azokat az adatokat, amelyekhez a felhasználónak nincs jogosultsága, biztosítva a biztonságot érzékeny területeken (pénzügy, HR, orvostudomány).

Minőségértékelés

A GraphRAG-rendszer értékelése többlépéses, és minden komponenshez tartalmaz metrikákat:

• Tudáskinyerési metrikák: F1-score a NER és RE számára, a gráffelépítés minőségének értékeléséhez.
• Részgráf-kinyerési metrikák: Subgraph Recall@K (azoknak az eseteknek az aránya, amikor a válaszhoz szükséges csomópontok/élek bekerültek a kinyert részgráfba) és Path Precision/Recall multi‑hop kérdéseknél.
• LLM-válasz metrikák:
  • Faithfulness / Groundedness: mennyire támaszkodik szigorúan a válasz a megadott kontextusra.
  • Human evaluation: szakértői értékelés a helyesség, teljesség és koherencia szempontjai szerint.

Az értékelés automatizálásához specializált benchmarkokat (pl. WebQuestionsSP, GrailQA) és keretrendszereket (pl. RAGAS) használnak.

Lásd még

• Retrieval‑Augmented Generation (RAG)
• Tudásgráf
• Vektoros adatbázis
• Embedding
• AI-ágens
• LLM értékelés és benchmarkok

Irodalom

• 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.