TGS-RAG: Framework testo-grafo bidirezionale per il recupero nei LLM

È stato introdotto un nuovo framework chiamato TGS-RAG (Text-Graph Synergistic enhancement) per affrontare la sfida dell''Isola Informativa' nel Retrieval-Augmented Generation (RAG) per i Large Language Models (LLM). Il RAG testuale convenzionale spesso recupera pseudo-evidenze irrilevanti, mentre il RAG basato su grafi è ostacolato dal pruning in fase di ricerca che elimina percorsi di ragionamento validi. Gli attuali metodi ibridi si basano su una semplice concatenazione di evidenze o su un potenziamento unidirezionale, che non affrontano adeguatamente le dinamiche di ragionamento asimmetriche tra testo non strutturato e grafi strutturati. TGS-RAG presenta un approccio bidirezionale: un canale Grafo-Testo che utilizza un meccanismo di Votazione Globale dai nodi del grafo coinvolti per riordinare e potenziare le evidenze testuali, riducendo efficacemente il rumore semantico. Questo framework mira a migliorare il fondamento fattuale e il ragionamento multi-hop nei LLM. La ricerca è disponibile su arXiv con ID 2605.05643.