GraphRAG (TL)

GraphRAG — ito ay isang pinahusay na paradigma ng Retrieval-Augmented Generation (RAG), kung saan sa halip na tradisyonal na paghahanap sa magkakahiwalay na mga tekstong fragment (chunk) ay ginagamit ang knowledge graph (Knowledge Graph, KG). Ang graph na estruktura ay hayagang kinakatawan ang mga koneksyon sa pagitan ng mga entidad at ang hierarchy ng mga konsepto sa domain, na nagbibigay-daan sa LLM na magsagawa ng multi-step na lohikal na pagkuha ng kaalaman at bumuo ng mas may kamalayan sa konteksto at mas maipaliwanag na mga sagot.

Ang GraphRAG na diskarte ay nagpapakita ng malaking kalamangan kumpara sa klasikong RAG kapag nagtatrabaho sa mga kumplikado, multi-step (multi‑hop) na mga katanungan, kung saan ang sagot ay nakasalalay sa kumbinasyon ng ilang katotohanan na nakakalat sa iba't ibang dokumento.

Mga Limitasyon ng Klasikong RAG at Mga Kalamangan ng Graph

Ang klasikong RAG, na nakabatay sa vector search sa hindi nakaistraktura na teksto, ay nahaharap sa ilang pundamental na limitasyon na nagiging kritikal sa mga kumplikadong senaryo ng korporasyon:

• Kawalan ng mga istrukturang koneksyon: Ang tradisyonal na RAG ay nagpoproseso ng mga tekstong chunk bilang mga magkakahiwalay na yunit at hindi nakikita ang mga hayag na koneksyon sa pagitan nila. Ginagawa nitong hindi epektibo para sa mga multi‑hop na katanungan, kung saan para masagot ay kailangang dumaan sa isang chain ng mga katotohanan (A→B→C), ngunit ang paghahanap ay nakakahanap lamang ng simula at huling link (A at C), na nawawala ang mga panggitna.
• Semantikong kalabuan: Sa mga espesyalisadong larangan (medisina, batas, inhinyeriya) ang mga termino ay may mga tiyak na kahulugan. Ang vector search, na sumasaklaw sa pangkalahatang paksa, ay maaaring maling bigyang-kahulugan ang papel ng isang partikular na bagay, na humahantong sa pagkuha ng hindi kaugnay na konteksto.
• Limitadong maipaliwanag: Ang klasikong RAG ay nagbibigay ng mga fragment ng dokumento, ngunit hindi ng malinaw na ebidensya kung paano ang mga fragment na ito ay nakakonekta sa isang lohikal na chain. Ang GraphRAG, sa kabilang banda, ay ginagawang transparent ang prosesong ito, nagbibigay ng path sa graph bilang katibayan at nangangailangan ng pagkakatali ng mga pahayag sa mga pinagmulan (pagsipi).

GraphRAG ay nilulutas ang mga problemang ito sa pamamagitan ng pagtatanghal ng kaalaman bilang isang network ng mga konektadong entidad at relasyon, na nagbibigay-daan sa sistema na hindi lamang makahanap ng katulad na teksto, kundi magsagawa ng lohikal na paghinuha batay sa isang pormal na modelo ng subject domain.

Arkitektura ng GraphRAG

Ang pangkalahatang pipeline ng GraphRAG ay nagpapalawak ng klasikong RAG, nagdaragdag ng mga yugto ng pagbuo at paggamit ng knowledge graph. Ito ay nahahati sa dalawang pangunahing yugto: offline na paghahanda at online na pagproseso ng katanungan.

Yugto 1: Ingestion at Indexing (Offline)

Sa yugtong ito, ang pinagmumulan ng data (mga dokumento, database) ay niko-convert sa dalawang magkadagdag na representasyon: graph at vector.

1. Pagkuha ng Kaalaman: Ang mga nakastrukturang katotohanan ay kinukuha mula sa mga teksto gamit ang NLP pipeline:
   • Named Entity Recognition (NER): Paghahanap ng mga pagbanggit ng entidad (tao, organisasyon, produkto).
   • Entity Linking (EL): Pag-uugnay ng mga pagbanggit sa mga canonical identifier sa graph para sa pag-aalis ng kalabuan (halimbawa, "Juan dela Cruz" at "J. dela Cruz" ay nagiging isang node).
   • Relation Extraction (RE): Pagtuklas ng mga relasyon sa pagitan ng mga entidad (halimbawa, Kumpanya X −nakuha→ Startup Y).
2. Pagmomodelo at Pag-iimbak ng Graph: Ang mga na-extract na triple (subject-predicate-object) ay ilo-load sa isang graph database. Ang pagpili ng modelo (Property Graph o RDF) ay depende sa gawain. Kritikal na itago ang provenance ng bawat katotohanan — isang link sa orihinal na dokumento at tekstong fragment. Maaari ding idagdag sa graph ang metadata tungkol sa oras (valid_from/valid_to) at kredibilidad (confidence).
3. Hybrid Indexing: Kasabay ng graph, isang vector index ay nililikha para sa mga orihinal na tekstong fragment. Nagbibigay-daan ito sa pagsasama ng istrukturang paghahanap sa pamamagitan ng graph at semantic search sa pamamagitan ng teksto.

Yugto 2: Pagproseso ng Katanungan at Pagbuo ng Sagot (Online)

1. Pag-parse ng Katanungan: Ang katanungan ng gumagamit ay sinusuri para makilala ang mga pangunahing entidad, na nagsisilbing "mga punto ng pagpasok" sa graph.
2. Pagkuha ng Subgraph: Sa halip na maghanap ng mga indibidwal na chunk, ang GraphRAG ay naghahanap ng kaugnay na subgraph — isang konektadong fragment ng graph sa paligid ng "mga punto ng pagpasok", na naglalaman ng impormasyon para sa sagot. Para dito, ginagamit ang mga algorithm tulad ng k‑hop traversal o Personalized PageRank (PPR).
3. Hybrid Search at Pagsasama ng mga Resulta: Kasabay ng pagkuha ng subgraph, isang paghahanap sa vector at/o lexical (BM25) index ay isinasagawa. Ang mga resulta mula sa graph at teksto ay pinagsama at ipinapasa sa susunod na yugto.
4. Re-ranking: Ang pinagsanib na listahan ng mga kandidato (mga node ng graph at mga tekstong chunk) ay muli-ra-rank gamit ang isang mas tumpak na modelo (halimbawa, cross-encoder) para pumili ng pinaka-kaugnay na impormasyon. Nagbibigay-daan ito na i-filter ang ingay at mapabuti ang katumpakan.
5. Pag-pack ng Konteksto at Pagbuo: Ang napili at na-rank na konteksto (subgraph at mga teksto) ay iko-convert sa isang format na naiintindihan ng LLM (halimbawa, isang listahan ng mga pahayag na may mga indikasyon ng pinagmulan). Ang enriched na kontekstong ito ay ipinasok sa prompt para sa pagbuo ng panghuling sagot.
6. Tracing at Pagsipi: Salamat sa koneksyon na "katotohanan ↔ pinagmulan" sa graph, ang nabuong sagot ay naglalaman ng tumpak na mga sanggunian sa mga dokumento na nagpapatunay sa bawat tesis. Tinitiyak nito ang mataas na antas ng kaligtasan at transparency.

Comparative Table ng mga Komponente

Comparative na pagsusuri ng mga pangunahing komponente ng arkitektura ng GraphRAG

Komponente/aspeto	Mga opsyon sa implementasyon	Mga kalamangan	Mga disbentaha/panganib	Kailan mas mainam
Modelo ng knowledge graph	RDF/OWL	Mahigpit na ontolohiya, lohikal na paghinuha (reasoning), compatibility sa Linked Open Data.	Mahirap mag-imbak ng mga katangian ng relasyon (oras, pinagmulan) nang walang karagdagang entidad (reification).	Mga semantikong mayamang domain na may mga kasalukuyang ontolohiya; kinakailangan ang deduksyon.
	Property Graph (Neo4j, atbp.)	Kakayahang umangkop, arbitrary na mga katangian sa mga node/edge, mataas na performance.	Nangangailangan ng malinaw na schema nang manu-mano o panganib ng "kaguluhan"; walang iisang pamantayan.	Mabilis na simula sa hindi nakaistraktura na data; integrasyon sa mga dokumento (multi‑model DB).
Pagkuha ng subgraph	k‑hop BFS / DFS	Sinasaklaw ang lahat ng node hanggang sa lalim k, madaling ipatupad.	"Pagsabog" ng graph: mabilis na paglaki ng bilang ng mga node; maaaring magbalik ng maraming ingay.	Maliliit na graph o traversal sa lalim na 1–2; mga hierarchical na estruktura.
	Personalized PageRank (PPR)	Nakatutok sa tunay na mga konektadong node, ang ingay ay na-filter.	Maaaring mapalampas ang isang malayo ngunit mahalagang node (kung kaunti ang mga path, ngunit ito ay kritikal).	Mga kumplikadong network na may maraming path (social graph, citation graph).
Hybrid search	Pinagsanib na listahan (scalar fusion na may timbang λ)	Ang pag-aayos ng mga timbang λ ay nagbibigay-daan sa pag-balance ng precision/recall para sa gawain.	Ang nakapirming λ ay hindi optimal para sa lahat ng uri ng katanungan.	Sa yugto ng prototyping; kapag alam na ang isang pinagmulan ay mas mahalaga.
	Cross‑encoder rerank	Makabuluhang pagtaas ng katumpakan; kakayahang isaalang-alang ang mga kumplikadong ugnayan.	Nagpapataas ng latency; nangangailangan ng data para sa pagsasanay o paggamit ng mga handa na modelo.	Mga high-precision na senaryo (batas, medisina), kung saan ang pinaka-kaugnay na konteksto ay mahalaga.
Seguridad ng data	Pag-filter ng subgraph (RBAC/ABAC)	Granular na kontrol (hanggang sa antas ng node) na nag-aalis ng mga paglabas.	"Mga bulag na lugar": kung ang isang mahalagang node ay tinanggal, ang sagot ay maaaring maging hindi kumpleto.	Sa mga corporate na kapaligiran na may mahigpit na mga kinakailangan sa access (PII, GDPR, trade secrets).

Tracing, Tiwala at Seguridad

Isa sa mga pangunahing kalamangan ng GraphRAG — ang kakayahan na maipakita ang mga transparent na chain ng ebidensya. Sa halip na isang sagot na "black box", ang sistema ay maaaring magpakita ng path ng pangangatwiran: "Ang Katotohanan A ay binanggit sa [doc1]. Ito ay konektado sa Katotohanan B [doc2], at ang B ayon sa [doc3] ay humahantong sa C", — na nagpapataas ng tiwala ng gumagamit at nagpapadali ng pag-debug.

Bukod dito, ang graph na estruktura ay nagbibigay-daan sa pagpapatupad ng granular na access control (RBAC/ABAC). Ang bawat node o edge sa graph ay maaaring magkaroon ng access label. Kapag kinukuha ang subgraph, awtomatikong ina-filter ng sistema ang data na wala ang gumagamit ng karapatan, tinitiyak ang seguridad sa mga sensitibong larangan (pananalapi, HR, medisina).

Pagtatasa ng Kalidad

Ang pagtatasa ng GraphRAG sistema ay multi-stage at kinabibilangan ng mga sukatan para sa bawat komponente:

• Mga sukatan ng pagkuha ng kaalaman: F1‑score para sa NER at RE, para masuri ang kalidad ng pagbuo ng graph.
• Mga sukatan ng pagkuha ng subgraph: Subgraph Recall@K (proporsyon ng mga kaso kung saan ang mga kinakailangang node/edge para sa sagot ay napasok sa kinuhang subgraph) at Path Precision/Recall para sa mga multi-hop na katanungan.
• Mga sukatan ng sagot ng LLM:
  • Faithfulness / Groundedness: kung gaano kastriktong nakabatay ang sagot sa ibinigay na konteksto.
  • Human evaluation: pagtatasa ng mga eksperto ayon sa pamantayan ng kawastuhan, pagkakumpleto at pagkakaugnay-ugnay.

Para sa automation ng pagtatasa, ginagamit ang mga espesyalisadong benchmark (halimbawa, WebQuestionsSP, GrailQA) at mga framework (halimbawa, RAGAS).

Tingnan din

• Retrieval‑Augmented Generation (RAG)
• Knowledge Graph - Grafo ng Kaalaman
• Vector Database - Vectorial na Database
• Embedding
• AI-ahente
• Pagtatasa at mga Benchmark ng LLM

Mga Sanggunian

• 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.