Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces

Ce papier présente un cadre Graph RAG novateur combinant les graphes de propriétés étiquetés et le framework de description de ressources pour surmonter les limites des méthodes RAG traditionnelles dans les espaces de recherche complexes et semi-structurés, en permettant une récupération dynamique de documents et une génération de requêtes Cypher précise sans nécessiter de reranking.

L'essentiel

Le Problème : L'IA qui "hallucine" et se perd

Imaginez que vous avez un assistant très intelligent (une Intelligence Artificielle ou IA), mais qui a un gros défaut : il a lu des livres il y a quelques années et ne connaît plus rien de ce qui s'est passé depuis. De plus, quand on lui pose une question, il a tendance à inventer des réponses qui semblent vraies mais qui sont fausses. C'est ce qu'on appelle une "hallucination".

Pour corriger cela, on utilise une technique appelée RAG (Retrieval-Augmented Generation). C'est comme donner un manuel de référence à l'assistant juste avant qu'il ne réponde. Mais ici, le manuel est énorme, mal rangé, et contient des tableaux complexes (des données structurées comme des fichiers JSON).

Le problème des méthodes classiques (le RAG "traditionnel") est qu'elles fonctionnent comme une recherche Google : elles cherchent des mots-clés similaires. Si vous cherchez "qui gère le fonds AMCAP ?", le système va chercher des documents qui contiennent ces mots.

• Le souci : Si vous ne savez pas exactement combien de documents chercher, vous risquez soit de rater l'info (si vous cherchez trop peu), soit d'être noyé sous des tonnes de documents inutiles (si vous cherchez trop). C'est comme essayer de trouver une aiguille dans une botte de foin en jetant des bottes entières sur le sol.

La Solution : Le "Graph RAG" (L'IA qui a une carte)

Les auteurs de ce papier proposent une idée géniale : au lieu de chercher dans un tas de documents en vrac, transformons toutes ces informations en une carte interactive géante (un graphe de connaissances).

Imaginez que votre bibliothèque ne soit plus une pile de livres, mais un immense réseau de métro où chaque station est un fait et chaque ligne est une relation entre les faits.

Ils testent deux façons de construire cette carte :

1. La méthode RDF (Le système de triplets)

C'est comme transformer chaque phrase en une étiquette simple : Sujet - Verbe - Objet.

• Exemple : "AMCAP" (Sujet) - "a pour benchmark" (Verbe) - "S&P 500" (Objet).
• L'analogie : C'est comme un jeu de cartes où chaque carte a un lien précis avec une autre. Pour trouver une info, on suit les liens. C'est très précis, mais parfois un peu rigide si le réseau est trop complexe.

2. La méthode LPG (Le système de propriétés étiquetées)

C'est la méthode préférée des auteurs. Ici, on ne se contente pas de liens simples. On construit une véritable ville.

• Les "Fonds d'investissement" sont des bâtiments.
• Les "Gestionnaires" sont des personnes qui habitent dans ces bâtiments.
• Les "Stratégies" sont des routes qui relient les bâtiments.
• L'astuce : On dessine la ville avant d'y envoyer l'IA. On définit clairement : "Un gestionnaire est relié à un fonds par une route appelée 'Gère'".
• Le résultat : Quand on demande "Qui gère AMCAP ?", l'IA ne cherche pas au hasard. Elle prend le bus (la requête) et suit la route directe jusqu'au gestionnaire. C'est comme avoir un GPS qui connaît parfaitement le plan de la ville, au lieu de demander à quelqu'un de chercher une adresse dans un annuaire téléphonique.

Les Résultats : Qui gagne ?

Les chercheurs ont posé 200 questions difficiles à leurs systèmes (sur des fonds d'investissement, des ETF, etc.).

• Le RAG classique (Recherche Google) : C'était le perdant. Il a souvent raté des infos ou inventé des réponses. C'est comme essayer de trouver un livre précis dans une bibliothèque où les livres sont empilés au hasard.
• Le Graph RAG (RDF) : Beaucoup mieux ! Il a trouvé les réponses en suivant les liens.
• Le Graph RAG (LPG) : Le grand gagnant ! Surtout pour les questions complexes comme "Liste tous les fonds gérés par ce gestionnaire". Grâce à sa "carte" bien dessinée, il a trouvé la réponse rapidement et sans erreur.

Pourquoi c'est important pour vous ?

Imaginez que vous êtes un banquier ou un investisseur. Vous voulez savoir : "Quels sont les fonds qui ont performé cette année et qui sont gérés par des experts en énergie verte ?"

• Avec l'ancienne méthode, l'IA pourrait vous donner une liste de fonds au hasard, ou oublier de vérifier le critère "énergie verte".
• Avec la nouvelle méthode (Graph RAG), l'IA consulte sa "carte mentale". Elle suit le chemin : Fonds -> Performance -> Gestionnaire -> Spécialité. Elle vous donne la liste exacte, sans hallucination, en une fraction de seconde.

En résumé

Ce papier nous dit que pour gérer des données complexes et structurées (comme des tableaux financiers), il ne faut pas juste "lire" des documents. Il faut construire une carte (un graphe) qui relie tout entre eux.

• L'ancienne méthode : Chercher une aiguille dans une botte de foin.
• La nouvelle méthode (LPG) : Avoir un aimant qui attire directement l'aiguille grâce à un plan précis.

C'est une révolution pour rendre les IA plus fiables, plus rapides et capables de raisonner sur des données complexes, comme celles que l'on trouve dans la finance ou la santé.

Résumé technique

1. Problématique

Les modèles de langage (LLM) sont confrontés à des limitations majeures : leurs connaissances sont figées dans le temps et ils souffrent d'hallucinations. Bien que le RAG (Retrieval-Augmented Generation) ait émergé comme solution pour connecter les LLM à des sources de connaissances dynamiques, les approches traditionnelles basées sur l'embedding vectoriel et la recherche de similarité présentent des faiblesses critiques, notamment :

• Espaces de recherche inconnus : Difficulté à déterminer le nombre de documents à récupérer (top-k) lorsque la structure des données est complexe.
• Données semi-structurées : Les méthodes classiques peinent à traiter efficacement des données structurées (JSON, tableaux) ou des relations complexes entre entités.
• Bruit et inefficacité : La dépendance aux modèles de ré-ranking et aux embeddings génériques entraîne souvent un bruit de récupération et des goulots d'étranglement, surtout pour des requêtes multi-facettes.

L'objectif de l'article est de dépasser ces limites en introduisant un cadre Graph RAG utilisant des graphes de connaissances structurés pour des tâches de recherche complexes et à grande échelle.

2. Méthodologie

Les auteurs proposent un cadre de recherche end-to-end comparant trois architectures sur un jeu de données financier (fonds communs de placement, ETF, solutions privées) composé de 1 104 enregistrements JSON complexes et imbriqués.

A. Approches Comparées

1. RAG1 (Baseline Éliminée) : Conversion des JSON en récits textuels non structurés via LLM. Cette méthode a été exclue des résultats finaux en raison de problèmes de scalabilité, de perte d'information, de risques d'hallucination et de coûts de traitement élevés.
2. RAG2 (Agentic RAG - Baseline Vectorielle) : Conversion des triplets RDF en phrases naturelles, segmentation, embedding (modèle BGE-m3) et recherche vectorielle avec ré-ranking.
3. Graph RAG (Approches Proposées) :
   • RDF (Resource Description Framework) : Transformation des données JSON en triplets (Sujet-Prédicat-Objet). Les triplets sont stockés dans Amazon Neptune et interrogés via SPARQL. Un agent sélectionne les nœuds et les relations pertinents avant la requête.
   • LPG (Labeled Property Graph) : Modélisation des données JSON sous forme de graphe de propriétés étiquetées. Les données sont structurées avec un schéma rigoureux (nœuds pour les entités, relations explicites pour les attributs). La requête utilisateur est traduite en Cypher (via un modèle Text-to-Cypher fine-tuné) pour une exécution directe sur le graphe.

B. Innovations Techniques Clés

• Conversion JSON vers RDF : Un processus déterministe transforme les clés-valeurs JSON en triplets, préservant l'intégrité des données sans bruit d'LLM.
• Génération Text-to-Cypher : Développement d'un module traduisant les questions naturelles en requêtes Cypher exécutables en temps réel (>90% de précision), enrichi par le schéma du graphe et les métadonnées.
• Clustering des Prédicats : Regroupement sémantique des relations (plus de 8 000 relations uniques) pour optimiser la sélection des triplets pertinents.
• Schéma de Données LPG Optimisé : Création de nœuds dédiés pour les attributs communs (ex: "Benchmark", "Gestionnaire de portefeuille") afin de faciliter les traversées multi-sauts (multi-hop traversal) et de réduire la complexité des requêtes.

3. Contributions Principales

1. Cadre Graph RAG End-to-End : Proposition d'une architecture unifiée exploitant à la fois RDF et LPG pour la récupération et le raisonnement sur des données semi-structurées complexes.
2. Méthode de Conversion JSON vers RDF : Une approche déterministe et efficace pour transformer des données JSON imbriquées en triplets RDF, évitant les pertes d'information inhérentes aux méthodes basées sur LLM.
3. Framework Text-to-Cypher : Développement d'un système capable de générer des requêtes Cypher fiables en temps réel, éliminant le besoin de ré-ranking et permettant une navigation précise dans le graphe.
4. Évaluation Empirique Rigoureuse : Comparaison systématique démontrant la supériorité des approches graphiques sur le RAG vectoriel traditionnel, en particulier pour les requêtes de type "Recherche/Liste", "Comparaison" et "Détail".

4. Résultats

L'évaluation a porté sur 200 questions couvrant quatre intentions (Recherche, Comparaison, Détail, Autre). Les scores sont basés sur la précision et l'exhaustivité (0 = incorrect, 0.5 = partiellement correct, 1 = parfait).

• Performance Globale :

  • LPG (Graph RAG) : 185,5 / 200 (Meilleure performance).
  • RDF (Graph RAG) : 172,5 / 200.
  • RAG2 (Agentic/Vectoriel) : 116 / 200.

• Détail par Intention :

  • Recherche/Liste : Le LPG domine largement (93/100) contre RDF (80/100) et RAG2 (38,5/100). La capacité du LPG à effectuer des traversées multi-sauts est cruciale ici.
  • Comparaison et Détail : Les deux approches graphiques (LPG et RDF) surpassent significativement le RAG vectoriel, avec des scores proches de la perfection (41/45 et 43,5/45 respectivement).
  • Autre : Tous les modèles performent de manière similaire.

• Analyse des Erreurs :

  • Le RAG vectoriel échoue principalement à cause de la difficulté à définir le top-k dans un espace de recherche inconnu et de la confusion sémantique des embeddings (ex: confusion entre noms de fonds similaires).
  • Le RDF souffre parfois de la sélection incorrecte de nœuds/relations lors de la phase de pré-filtrage.
  • Le LPG est le plus robuste, mais ses erreurs proviennent principalement de la traduction incorrecte de la question naturelle vers le Cypher (mauvaise sélection d'étiquettes de nœuds).

5. Signification et Conclusion

Cette étude démontre que pour des données complexes, semi-structurées et où l'espace de recherche est mal défini, les approches basées sur les graphes (LPG et RDF) surpassent nettement les méthodes RAG traditionnelles basées sur l'embedding.

• Avantages du LPG : La modélisation explicite du schéma et la capacité à exécuter des requêtes déterministes (Cypher) permettent une récupération précise, évitant le bruit et les hallucinations liées à la sélection de documents vectoriels.
• Scalabilité : Le framework proposé est scalable et adapté aux applications en ligne nécessitant une faible latence et une haute précision.
• Impact : Ces résultats valident le passage d'une récupération de documents "plats" à une récupération de connaissances structurées, ouvrant la voie à des systèmes de RAG plus fiables pour des domaines critiques comme la finance, la santé et le droit.

En conclusion, l'article établit que le Graph RAG, en particulier avec les Labeled Property Graphs, est une solution transformative pour les systèmes de génération augmentée par la récupération de nouvelle génération.