Graph-RAG: гибридный поиск с графовой структурой для обеспечения полноты и согласованности при анализе нормативно-технических документов
DOI: 10.21293/1818-0442-2025-28-4-110-120
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Представлено исследование архитектуры Graph-RAG, которая является расширением Retrieval-Augmented Generation с интеграцией графа знаний применительно к задачам обработки технической документации, ориен-тированной на проверку соответствия требованиям стандартизации (ГОСТ, ОСТ, ТУ), а также верификации ис-полнения пунктов технического задания. Валидация проведена на корпусе из 100 документов общей протяжен-ностью 12480 страниц, включая своды правил, технические условия, отчетные формы и спецификации оборудо-вания. Все документы прошли предварительную аннотацию по трем критериям: 1) наличие ссылок на норма-тивы; 2) четкая структура требований; 3) наличие кросс-ссылок внутри документа и между документами. В срав-нительный анализ включены современные архитектуры: Vanilla RAG, FiD, FLARE, HyDE, ModernBERT и Graph-RAG на базе Qwen3-32B. Эксперименты показывают, что Graph-RAG превосходит ближайший аналог (Qwen3 + HyDE) по точности (EM) на 16,8 процентных пункта (п.п.), а по согласованности фактов – на 10,3 п.п. с p < 0,001 (t-тест, n = 300 запросов). Все выводы подкреплены статистически значимыми результатами.
Ключевые слова: RAG, LLM, графовая сеть, анализ документации, ТЗ, нормативно-технические документы
Библиография статьи:
Семенов Р. Э. Graph-RAG: гибридный поиск с графовой структурой для обеспечения полноты и согласованности при анализе нормативно-технических документов / Р. Э. Семенов // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 4. – С. 110–120. DOI: 10.21293/1818-0442-2025-28-4-110-120
Авторы и правообладатели:
- Семенов Р. Э. , Российский технологический университет МИРЭА (Москва, Россия)
- 1. Радюш Д.В. Методы интеграции знаний для разработки вопросно-ответных систем // Российский технологический журнал. – 2025. – Т. 13, № 3. – С. 21–43.
- 2. Gao L. Precise zero-shot dense retrieval without relevance labels // Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics. – Toronto, Canada: Curran Associates, Inc., 2023. – Vol. 1. – P. 1762–1777.
- 3. From Local to Global: A GraphRAG Approach to Query-Focused Summarization / D. Edge, H. Trinh, N. Cheng, J. Bradley, A. Chao, et al. // arXiv preprint. – 2024. DOI: 10.48550/arXiv.2404.16130.
- 4. Lewis P. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 9459–9474.
- 5. Жаров В.В. Создание графовой rag-системы по цифровому праву Российской Федерации / В.В. Жаров, П.В. Сараев // Вестник науки. – 2025. – Т. 1, № 6 (87). – С. 1395–1414.
- 6. Retrieval-augmented generation with knowledge graphs for customer service question answering / Zh. Xu, M.J. Cruz, M. Guevara, T. Wang, M. Deshpande, X. Wang, Zh. Li // Proceedings of the 47th international ACM SIGIR conference on research and development in information retrieval. – Washington DC, USA: ACM, 2024. – P. 2905–2909.
- 7. SimGRAG: Leveraging similar subgraphs for knowledge graphs driven retrieval-augmented generation / Y. Cai, Zh. Guo, Y. Pei, W. Bian, W. Zheng // Findings of the Association for Computational Linguistics: ACL 2025. – Vienna, Austria: ACL, 2025. – P. 3139–3158.
- 8. Graph retrieval-augmented generation: A survey / B. Peng, Y. Zhu, Y. Liu, X. Bo, H. Shi, Ch. Hong, Y. Zhang, S. Tang // ACM Transactions on Information Systems. – 2025. – Vol. 44, No. 2. – P. 1–52.
- 9. M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation / J. Chen, Sh. Xiao, P. Zhang, K. Luo, D. Lian, Zh. Liu // Findings of the Association for Computational Linguistics: ACL 2024. – Bangkok, Thailand: ACL, 2024. – P. 2318–2335.
- 10. The faiss library / M. Douze, A. Guzhva, Ch. Deng, J. Johnson, G. Szilvasy, P.-E. Mazaré // IEEE Transactions on Big Data. – 2025. – Vol. 12, No. 2. – P. 346–361.
- 11. Santhanam K. PLAID: an efficient engine for late interaction retrieval / K. Santhanam, O. Khattab, Ch. Potts, M. Zaharia // Proceedings of the 31st ACM International Conference on Information & Knowledge Management. – NY, United States: ACM, 2022. – P. 1747–1756.
- 12. Colbertv2: Effective and efficient retrieval via lightweight late interaction / K. Santhanam, O. Khattab, J. Saad-Falcon, Ch. Potts, M. Zaharia // Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. – Seattle, United States: ACL, 2022. – P. 3715–3734.
- 13. Izacard G. Leveraging passage retrieval with generative models for open domain question answering / G. Izacard, E. Grave // Proceedings of the 16th conference of the European chapter of the association for computational linguistics: main volume. – Online: ACL, 2021. – P. 874–880.
- 14. Active retrieval augmented generation / Zh. Jiang, F. Xu, L. Gao, Zh. Sun, Q. Liu, J. Dwivedi-Yu, Y. Yang, J. Callan, G. Neubig // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing. – Singapore: ACL, 2023. – P. 7969–7992.
- 15. Smarter, better, faster, longer: A modern bidirectional encoder for fast, memory efficient, and long context finetuning and inference / B. Warner, A. Chaffin, B. Clavié, O. Weller et al. // Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics. – Vienna, Austria: ACL, 2025. – Vol. 1. – P. 2526–2547.
- 16. He P. Debertav3: Improving deberta using electra-style pre-training with gradient-disentangled embedding sharing / P. He, J. Gao, W. Chen // arXiv preprint arXiv:2111.09543. – 2021. DOI: 10.48550/arXiv.2111.09543.
- 17. Knowledge graph enhanced retrieval-augmented generation for failure mode and effects analysis / L. Bahr, Ch. Wehner, J. Wewerka, J. Bittencourt, U. Schmid, R. Daub // Journal of Industrial Information Integration. – 2025. – Vol. 45. – P. 100807.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
