DEEP-PolyU/LinearRAG

What it solves

LinearRAG는 기존 GraphRAG 시스템의 높은 비용과 느린 속도 문제를 해결합니다. 구체적으로, 그래프 구축 단계에서 일반적으로 엔터티 간 관계를 추출하기 위해 사용되는 비용이 많이 드는 LLM 토큰 소비를 제거합니다.

How it works

LinearRAG는 명시적인 관계 그래프를 구축하는 대신 "relation‑free" 방식으로 그래프를 구성합니다. 가벼운 엔터티 인식과 의미 연결을 결합해 그래프 구조를 만들며, 이를 통해 단일 검색 패스에서 의미 브리징을 이용한 다중 홉 추론 및 깊은 검색을 수행하면서 시간·공간 복잡도를 선형으로 유지합니다.

Who it’s for

이 프로젝트는 대규모 코퍼스에서 Retrieval‑Augmented Generation(RAG)을 활용하는 개발자와 연구자를 위한 것입니다. 그래프 기반 검색의 추론 능력은 필요하지만, LLM 기반 그래프 구축에 따른 높은 계산 비용을 감당하기 어려운 경우에 적합합니다.

Highlights

• Zero LLM token cost: Eliminates LLM usage during the graph building process.
• Linear Scalability: Operates with linear time and space complexity, making it faster and easier to scale to large datasets.
• Multi-hop Reasoning: Supports complex reasoning across different pieces of information without needing explicit relational graphs.
• Context-Preserving: Uses semantic linking to ensure comprehensive contextual understanding.