Проблема плоского контекста
Традиционные системы Retrieval-Augmented Generation (RAG) извлекают контекст из плоских хранилищ документов. Это создает критический недостаток: модели теряют способность к иерархическому и реляционному рассуждению, когда запрос требует понимания связей между сущностями, а не просто поиска ключевых слов. HG-RAG (Hierarchy-Guided RAG) решает эту проблему, интегрируя обход графа знаний непосредственно в пайплайн извлечения.
Механика HG-RAG
Архитектура работает по принципу трехмерного расширения контекста вокруг якорной сущности (named entity anchor), найденной в запросе:
- Вверх (Upward): Переход к родительским узлам для получения общего контекста.
- Вбок (Lateral): Поиск реляционных соседей для понимания связей.
- Вниз (Downward): Спуск к дочерним узлам для детализации, если это необходимо.
Такой подход позволяет LLM видеть не просто набор фрагментов текста, а структурированную логику знаний.
Результаты бенчмарков
Эксперименты проводились на графах масштаба от 18 до 800 узлов. Система сравнивалась с базовой моделью плотного извлечения (dense retrieval baseline) на четырех типах запросов. HG-RAG демонстрирует стабильное превосходство в задачах, требующих сложной логики:
| Тип запроса | Результат HG-RAG vs Flat Baseline | Ключевое преимущество |
|---|---|---|
| Локальный факт | Сопоставимо / Лучше | Высокая точность извлечения |
| Иерархический | Значительно лучше | Понимание вложенности |
| Реляционный | Значительно лучше | Сохранение локальной когерентности |
| Multi-hop (многоступенчатый) | Значительно лучше | Снижение галлюцинаций |
Почему это важно
Работа Pranava Yadava (опубликована 16 апреля 2026 года) показывает, что переход от плоских векторных баз данных к структурированным графам с иерархическим навигацией — это не просто академическое упражнение. HG-RAG доказывает, что структурированный обход графа снижает уровень галлюцинаций LLM и сохраняет целостность контекста там, где обычные RAG-системы «ломаются» на сложных логических связях.
Источник: arXiv cs.AI ↗