GraphRAG (TH)

From Systems analysis Wiki
Jump to navigation Jump to search

GraphRAG — คือกระบวนทัศน์ Retrieval-Augmented Generation (RAG) ที่ได้รับการปรับปรุงให้ดียิ่งขึ้น โดยแทนที่การค้นหาแบบดั้งเดิมผ่านชิ้นส่วนข้อความที่กระจัดกระจาย (chunk) ด้วยกราฟความรู้ (Knowledge Graph, KG)[1] โครงสร้างกราฟแสดงความสัมพันธ์ระหว่างเอนทิตีและลำดับชั้นของแนวคิดในโดเมนอย่างชัดเจน ซึ่งช่วยให้ LLM สามารถดึงความรู้แบบหลายขั้นตอนและสร้างคำตอบที่มีบริบทครบถ้วนและอธิบายได้มากขึ้น[2]

แนวทาง GraphRAG แสดงให้เห็นข้อได้เปรียบที่เหนือกว่า RAG แบบคลาสสิกอย่างมีนัยสำคัญเมื่อต้องรับมือกับคำถามที่ซับซ้อนและต้องใช้หลายขั้นตอน (multi‑hop) ซึ่งคำตอบขึ้นอยู่กับการรวมข้อเท็จจริงหลายอย่างที่กระจายอยู่ในเอกสารต่างกัน[3]

ข้อจำกัดของ RAG แบบคลาสสิกและข้อได้เปรียบของกราฟ

RAG แบบคลาสสิกที่อาศัยการค้นหาเชิงเวกเตอร์บนข้อความที่ไม่มีโครงสร้างเผชิญกับข้อจำกัดพื้นฐานหลายประการ ซึ่งกลายเป็นปัญหาวิกฤตในสถานการณ์องค์กรที่ซับซ้อน:

  • ขาดความสัมพันธ์เชิงโครงสร้าง: RAG แบบดั้งเดิมประมวลผล chunk ข้อความในฐานะหน่วยที่แยกออกจากกันและไม่เห็นความสัมพันธ์ที่ชัดเจนระหว่างกัน ทำให้ไม่มีประสิทธิภาพสำหรับคำถาม multi‑hop ที่ต้องการติดตามห่วงโซ่ข้อเท็จจริง (A→B→C) แต่การค้นหาพบเพียงจุดเริ่มต้นและจุดสิ้นสุด (A และ C) โดยพลาดส่วนกลาง[1]
  • ความคลุมเครือทางความหมาย: ในสาขาเฉพาะทาง (การแพทย์ นิติศาสตร์ วิศวกรรม) คำศัพท์มีความหมายเฉพาะเจาะจง การค้นหาเชิงเวกเตอร์ที่จับหัวข้อโดยรวมอาจตีความบทบาทของวัตถุเฉพาะผิดพลาด ส่งผลให้ดึงบริบทที่ไม่เกี่ยวข้องมา
  • ความสามารถในการอธิบายที่จำกัด: RAG แบบคลาสสิกให้ชิ้นส่วนเอกสารแต่ไม่มีหลักฐานชัดเจนว่าชิ้นส่วนเหล่านั้นเชื่อมโยงกันในห่วงโซ่เชิงตรรกะอย่างไร ในทางตรงกันข้าม GraphRAG ทำให้กระบวนการนี้โปร่งใสโดยนำเสนอเส้นทางในกราฟเป็นหลักฐานและกำหนดให้ข้ออ้างอิงอ้างอิงแหล่งที่มา (การอ้างอิง)[4]

GraphRAG แก้ปัญหาเหล่านี้โดยแสดงความรู้ในรูปแบบเครือข่ายของเอนทิตีและความสัมพันธ์ที่เชื่อมโยงกัน ช่วยให้ระบบไม่เพียงแต่ค้นหาข้อความที่คล้ายกัน แต่ยังทำการอนุมานเชิงตรรกะบนโมเดลโดเมนที่เป็นทางการได้

สถาปัตยกรรม GraphRAG

ท่อประมวลผล GraphRAG ทั่วไปขยาย RAG แบบคลาสสิกโดยเพิ่มขั้นตอนการสร้างและการใช้กราฟความรู้ โดยแบ่งออกเป็นสองขั้นตอนหลัก ได้แก่ การเตรียมการแบบออฟไลน์และการประมวลผลคำถามแบบออนไลน์

ขั้นตอนที่ 1: การนำเข้าและการสร้างดัชนี (ออฟไลน์)

ในขั้นตอนนี้ข้อมูลต้นทาง (เอกสาร ฐานข้อมูล) จะถูกแปลงเป็นสองรูปแบบที่เสริมกัน ได้แก่ รูปแบบกราฟและรูปแบบเวกเตอร์

  1. การดึงความรู้: ข้อเท็จจริงที่มีโครงสร้างจะถูกดึงออกจากข้อความโดยใช้ท่อประมวลผล NLP:
    • Named Entity Recognition (NER): การค้นหาการกล่าวถึงเอนทิตี (บุคคล องค์กร ผลิตภัณฑ์)
    • Entity Linking (EL): การเชื่อมโยงการกล่าวถึงกับตัวระบุมาตรฐานในกราฟเพื่อขจัดความคลุมเครือ (เช่น «นาย ก.» และ «ก. นาม» กลายเป็นโหนดเดียวกัน)[5]
    • Relation Extraction (RE): การระบุความสัมพันธ์ระหว่างเอนทิตี (เช่น บริษัท X −เข้าซื้อกิจการ→ สตาร์ทอัพ Y)
  2. การสร้างโมเดลและจัดเก็บกราฟ: ชุดสามส่วน (subject‑predicate‑object) ที่ดึงออกมาจะถูกโหลดเข้าฐานข้อมูลกราฟ การเลือกโมเดล (Property Graph หรือ RDF) ขึ้นอยู่กับงาน สิ่งสำคัญอย่างยิ่งคือการจัดเก็บ ที่มา (provenance) ของแต่ละข้อเท็จจริง ซึ่งเป็นการอ้างอิงกลับไปยังเอกสารต้นทางและชิ้นส่วนข้อความ[3] นอกจากนี้ยังสามารถเพิ่มข้อมูลเมตาเกี่ยวกับ เวลา (valid_from/valid_to) และ ความน่าเชื่อถือ (confidence) ลงในกราฟได้
  3. การสร้างดัชนีแบบผสม: ควบคู่ไปกับกราฟ จะมีการสร้างดัชนีเวกเตอร์สำหรับชิ้นส่วนข้อความต้นทาง ซึ่งช่วยให้สามารถรวมการค้นหาเชิงโครงสร้างบนกราฟเข้ากับการค้นหาเชิงความหมายบนข้อความได้

ขั้นตอนที่ 2: การประมวลผลคำถามและการสร้างคำตอบ (ออนไลน์)

  1. การวิเคราะห์คำถาม: คำถามของผู้ใช้ถูกวิเคราะห์เพื่อระบุเอนทิตีหลักที่ทำหน้าที่เป็น «จุดเข้า» สู่กราฟ
  2. การดึงกราฟย่อย: แทนที่จะค้นหา chunk แต่ละชิ้น GraphRAG จะค้นหา กราฟย่อยที่เกี่ยวข้อง ซึ่งเป็นส่วนที่เชื่อมต่อกันของกราฟรอบ «จุดเข้า» ที่มีข้อมูลสำหรับตอบคำถาม โดยใช้อัลกอริทึมเช่น การข้ามผ่านแบบ k‑hop หรือ Personalized PageRank (PPR)[6]
  3. การค้นหาแบบผสมและการรวมผลลัพธ์: ควบคู่ไปกับการดึงกราฟย่อย จะมีการค้นหาผ่านดัชนีเวกเตอร์และ/หรือดัชนีคำศัพท์ (BM25) ผลลัพธ์จากกราฟและข้อความจะถูกรวมกันและส่งไปยังขั้นตอนถัดไป
  4. การจัดอันดับใหม่ (Re‑ranking): รายการผู้สมัครที่รวมกัน (โหนดกราฟและ chunk ข้อความ) จะถูกจัดอันดับใหม่โดยใช้โมเดลที่แม่นยำกว่า (เช่น cross‑encoder) เพื่อคัดเลือกข้อมูลที่เกี่ยวข้องที่สุด ซึ่งช่วยกรองสัญญาณรบกวนและเพิ่มความแม่นยำ[7]
  5. การบรรจุบริบทและการสร้างคำตอบ: บริบทที่คัดเลือกและจัดอันดับแล้ว (กราฟย่อยและข้อความ) จะถูกแปลงเป็นรูปแบบที่ LLM เข้าใจได้ (เช่น รายการข้ออ้างพร้อมระบุแหล่งที่มา) บริบทที่เสริมแล้วนี้จะถูกใส่ใน prompt สำหรับการสร้างคำตอบสุดท้าย
  6. การติดตามและการอ้างอิง: ด้วยความเชื่อมโยง «ข้อเท็จจริง ↔ แหล่งที่มา» ในกราฟ คำตอบที่สร้างขึ้นจึงมีการอ้างอิงเอกสารที่แม่นยำซึ่งรับรองแต่ละประเด็น สิ่งนี้รับประกันความน่าเชื่อถือและความโปร่งใสสูง

ตารางเปรียบเทียบส่วนประกอบ

การวิเคราะห์เปรียบเทียบส่วนประกอบสำคัญของสถาปัตยกรรม GraphRAG
ส่วนประกอบ/แง่มุม ตัวเลือกการนำไปใช้ ข้อดี ข้อเสีย/ความเสี่ยง เมื่อไรที่เหมาะสมกว่า
โมเดลกราฟความรู้ RDF/OWL ออนโทโลยีที่เข้มงวด การอนุมานเชิงตรรกะ (reasoning) ความเข้ากันได้กับ Linked Open Data ยากในการจัดเก็บแอตทริบิวต์ความสัมพันธ์ (เวลา แหล่งที่มา) โดยไม่มีเอนทิตีเพิ่มเติม (reification) โดเมนที่มีความหมายสมบูรณ์พร้อมออนโทโลยีที่มีอยู่แล้ว เมื่อต้องการการอนุมานเชิงตรรกะ
Property Graph (Neo4j, etc.) ความยืดหยุ่น คุณสมบัติตามอำเภอใจบนโหนด/ขอบ ประสิทธิภาพสูง ต้องการสคีมาที่ชัดเจนด้วยตนเองหรือเสี่ยงต่อ «ความไม่เป็นระเบียบ» ไม่มีมาตรฐานเดียว เริ่มต้นรวดเร็วด้วยข้อมูลไม่มีโครงสร้าง การรวมกับเอกสาร (multi‑model DB)
การดึงกราฟย่อย k‑hop BFS / DFS ครอบคลุมโหนดทั้งหมดจนถึงความลึก k ง่ายต่อการนำไปใช้ «การระเบิด» ของกราฟ การเติบโตแบบทวีคูณของจำนวนโหนด อาจคืนสัญญาณรบกวนจำนวนมาก กราฟขนาดเล็กหรือการข้ามผ่านที่ความลึก 1–2 โครงสร้างแบบลำดับชั้น
Personalized PageRank (PPR) มุ่งเน้นไปที่โหนดที่เชื่อมโยงอย่างแท้จริง สัญญาณรบกวนถูกกรองออก[6] อาจพลาดโหนดที่อยู่ห่างออกไปแต่มีความสำคัญ (หากมีเส้นทางน้อยแต่มีความสำคัญ) เครือข่ายที่ซับซ้อนที่มีเส้นทางหลายเส้น (กราฟสังคม กราฟการอ้างอิง)
การค้นหาแบบผสม รายการรวม (scalar fusion พร้อมน้ำหนัก λ) การปรับน้ำหนัก λ ช่วยให้สามารถสมดุล precision/recall ตามงาน[8] λ คงที่ไม่เหมาะสมสำหรับคำถามทุกประเภท ในขั้นตอนต้นแบบ เมื่อทราบว่าแหล่งใดแหล่งหนึ่งสำคัญกว่าอย่างชัดเจน
Cross‑encoder rerank ความแม่นยำที่เพิ่มขึ้นอย่างมีนัยสำคัญ ความสามารถในการพิจารณาความสัมพันธ์ที่ซับซ้อน เพิ่มเวลาแฝง ต้องการข้อมูลสำหรับการฝึกหรือการใช้โมเดลสำเร็จรูป[7] สถานการณ์ที่ต้องการความแม่นยำสูง (นิติศาสตร์ การแพทย์) ที่ต้องการบริบทที่เกี่ยวข้องสูงสุด
ความปลอดภัยของข้อมูล การกรองกราฟย่อย (RBAC/ABAC) การควบคุมแบบละเอียด (ถึงระดับโหนด) ป้องกันการรั่วไหล «จุดบอด»: หากโหนดสำคัญถูกตัดออก คำตอบอาจไม่สมบูรณ์ ในสภาพแวดล้อมองค์กรที่มีข้อกำหนดการเข้าถึงที่เข้มงวด (PII, GDPR, ความลับทางการค้า)

การติดตาม ความไว้วางใจ และความปลอดภัย

หนึ่งในข้อได้เปรียบสำคัญของ GraphRAG คือความสามารถในการนำเสนอ ห่วงโซ่หลักฐานที่โปร่งใส แทนที่จะเป็นคำตอบแบบ «กล่องดำ» ระบบสามารถแสดงเส้นทางการใช้เหตุผลได้ว่า «ข้อเท็จจริง A กล่าวถึงใน [doc1] เชื่อมโยงกับข้อเท็จจริง B [doc2] และ B ตาม [doc3] นำไปสู่ C» ซึ่งเพิ่มความไว้วางใจของผู้ใช้และทำให้การแก้ปัญหาง่ายขึ้น

นอกจากนี้โครงสร้างกราฟยังช่วยให้สามารถใช้ การควบคุมการเข้าถึง แบบละเอียด (RBAC/ABAC) ได้ แต่ละโหนดหรือขอบในกราฟสามารถมีป้ายกำกับการเข้าถึงได้ เมื่อดึงกราฟย่อย ระบบจะกรองข้อมูลที่ผู้ใช้ไม่มีสิทธิ์เข้าถึงออกโดยอัตโนมัติ เพื่อให้มั่นใจในความปลอดภัยในสาขาที่ละเอียดอ่อน (การเงิน HR การแพทย์)

การประเมินคุณภาพ

การประเมินระบบ GraphRAG เป็นกระบวนการหลายขั้นตอนและรวมถึงตัวชี้วัดสำหรับแต่ละส่วนประกอบ:

  • ตัวชี้วัดการดึงความรู้: F1‑score สำหรับ NER และ RE เพื่อประเมินคุณภาพการสร้างกราฟ
  • ตัวชี้วัดการดึงกราฟย่อย: Subgraph Recall@K (สัดส่วนกรณีที่โหนด/ขอบที่จำเป็นสำหรับการตอบคำถามอยู่ในกราฟย่อยที่ดึงออกมา) และ Path Precision/Recall สำหรับคำถาม multi‑hop
  • ตัวชี้วัดคำตอบ LLM:
    • Faithfulness / Groundedness: คำตอบอ้างอิงบริบทที่ให้ไว้อย่างเคร่งครัดเพียงใด
    • Human evaluation: การประเมินโดยผู้เชี่ยวชาญตามเกณฑ์ความถูกต้อง ความครบถ้วน และความสอดคล้อง

สำหรับการทำให้การประเมินเป็นอัตโนมัติ จะใช้ benchmark เฉพาะ (เช่น WebQuestionsSP, GrailQA) และ framework (เช่น RAGAS)[9]

ดูเพิ่มเติม

  • Retrieval‑Augmented Generation (RAG)
  • กราฟความรู้
  • ฐานข้อมูลเวกเตอร์
  • Embedding
  • AI-agent
  • การประเมินและ benchmark ของ LLM

บรรณานุกรม

  • 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.

หมายเหตุ

  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_(TH)&oldid=2742"