Сравнительный анализ векторных, графовых и гибридных моделей представления знаний в системах информационного поиска
DOI:
https://doi.org/10.52575/2687-0932-2026-53-2-388-399Ключевые слова:
информационный поиск, векторные модели, графы знаний, графовые модели, семантические эмбеддинги, гибридные модели, нейросетевые архитектурыАннотация
Представлены результаты анализа современных подходов к информационному поиску, основанных на векторных и графовых моделях представления знаний. Выявлены преимущества и ограничения каждого подхода, включая вопросы интерпретируемости, масштабируемости и полноты знаний. Особое внимание уделяется гибридным методам, сочетающим семантическую глубину векторных представлений с точностью структурированных графовых знаний. Показано, что гибридные подходы демонстрируют высокий потенциал для повышения релевантности поиска, однако они требуют дальнейшего развития универсальной методологии для интеграции гетерогенных представлений. На основе проведенного анализа сформулированы практические рекомендации, направленные на развитие и совершенствование гибридных моделей.
Скачивания
Библиографические ссылки
Список литературы
Абрамович Р.К., Добрынин В.Ю., Платонов А.В. 2025. Объединение глубоких моделей и разреженных представлений в информационном поиске: обзор и анализ современных подходов. Информационные и математические технологии в науке и управлении, 2(38): 5–17. DOI:10.25729/ESI.2025.38.2.001.
Настасенко С.А., Савотченко С.Е. 2025. Гибридный метод поиска в текстовых данных с использованием графов и эмбеддингов. Новые идеи в науках о Земле. Москва: Российский государственный геологоразведочный университет им. Серго Орджоникидзе, 148–151.
Настасенко С.А., Савотченко С.Е. 2025. Интеграция графовых структур в эмбенддинги векторных баз данных для повышения семантического поиска. Донецкие чтения – 2025: образование, наука, инновации, культура и вызовы современности. Донецк: Изд-во ДонГУ, 1: 222–224. EDN: NUFFAH
Chang Y., Wang, X., Wang J., Wu Y., Yang L., Zhu K., Xie X. 2024. A survey on evaluation of large language models. ACM transactions on intelligent systems and technology, 15(3), 1–45.
Chao Li, Hao Xu, Kun He, (2024). Meta-multigraph search: Rethinking meta-structure on heterogeneous information networks, Knowledge-Based Systems, 289:111524. https://doi.org/10.1016/j.knosys.2024.111524.
Chatterjee S., Dalton J. 2025. QDER: Query-Specific Document and Entity Representations for Multi-Vector Document Re-Ranking. Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval: 2255–2265. https://doi.org/10.1145/3726302.3730065.
Devlin J., Chang M.-W., Lee, K., Toutanova K. 2019. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 1: 4171–4186. https://doi.org/10.18653/v1/N19-1423.
Kruhlov, V., Bobos, O., Hnylianska, O., Rossikhin, V., & Kolomiiets, Y. 2024. The Role of Using Artificial Intelligence for Improving the Public Service Provision and Fraud Prevention. Pakistan Journal of Criminology, 16(2): 913–928.
Kyurkchiev P, Iliev A, Kyurkchiev N. 2026. Semantic Search for System Dynamics Models Using Vector Embeddings in a Cloud Microservices Environment. Future Internet, 18(2):86. https://doi.org/10.3390/fi18020086.
Pan Y., Wang L. 2024. Retrieval-Augmented Generation for Code Summarization via Hybrid GNN. IEEE Trans. Softw. Eng. 50: 1234–1250.
Papageorgiou G, Sarlis V, Maragoudakis M, Tjortjis C. 2025. Hybrid Multi-Agent GraphRAG for E-Government: Towards a Trustworthy AI Assistant. Applied Sciences. 15(11): 6315. https://doi.org/10.3390/app15116315
Papageorgiou G, Sarlis V, Maragoudakis M, Tjortjis C. 2025. A Multimodal Framework Embedding Retrieval-Augmented Generation with MLLMs for Eurobarometer Data. AI. 6(3): 50. https://doi.org/10.3390/ai6030050
Raj M., Mishra, N. 2025. Exploring new Approaches for Information Retrieval through Natural Language Processing, arXiv e-prints, Art. no. arXiv:2505.02199, doi:10.48550/arXiv.2505.02199.
Sadykova T., Sinchev B., Young I. C., Auyezova А. 2025. The application of vector space models in intelligent information retrieval systems. Academic Scientific Journal of Computer Science, 355(3), 160–175. https://doi.org/10.32014/2025.2518-1726.370
Sarmah B., Hall B., Rao R., Patel S., Pasquali S., Mehta D. 2024. HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction. arXiv preprint arXiv:2408.04948.
Scarselli F., Gori M., Tsoi A.C., Hagenbuchner M., Monfardini G. 2009. The Graph Neural Network Model. IEEE Trans. Neural Netw. 20, 61–80. https://doi.org/10.1109/TNN.2008.2005605
Zhu X., Guo X., Cao S., Li S., Gong J. 2024. StructuGraphRAG: Structured document-informed knowledge graphs for retrieval-augmented generation. In Proceedings of the AAAI symposium series. 4(1): 242–251.
References
Abramovich R.K., Dobrynin V.YU., Platonov A.V. 2025. Ob'edinenie glubokih modelej i razrezhennyh predstavlenij v informacionnom poiske: obzor i analiz sovremennyh podhodov [Combining deep models and sparse representations in information retrieval: A review and analysis of modern approaches]. Informacionnye i matematicheskie tekhnologii v nauke i upravlenii, 2(38) 5–17. DOI:10.25729/ESI.2025.38.2.001.
Nastasenko S.A., Savotchenko S.E. 2025. Gibridnyj metod poiska v tekstovyh dannyh s ispol'zovaniem grafov i embeddingov [A Hybrid Method for Searching Text Data Using Graphs and Embeddings]. Novye idei v naukah o Zemle. Moskva: Rossijskij gosudarstvennyj geologorazvedochnyj universitet im. Sergo Ordzhonikidze, 148–151.
Nastasenko S.A., Savotchenko S.E. 2025. Integraciya grafovyh struktur v embenddingi vektornyh baz dannyh dlya povysheniya semanticheskogo poiska [Integrating graph structures into vector database embeddings to improve semantic search]. Doneckie chteniya – 2025: obrazovanie, nauka, innovacii, kul'tura i vyzovy sovremennosti. Doneck: Izd-vo DonGU, 1: 222–224. EDN: NUFFAH
Chang Y., Wang X., Wang J., Wu Y., Yang L., Zhu K., Xie X. 2024. A survey on evaluation of large language models. ACM transactions on intelligent systems and technology, 15(3), 1–45.
Chao Li, Hao Xu, Kun He, (2024). Meta-multigraph search: Rethinking meta-structure on heterogeneous information networks, Knowledge-Based Systems, 289: 111524. https://doi.org/10.1016/j.knosys.2024.111524.
Chatterjee, S., Dalton, J. 2025. QDER: Query-Specific Document and Entity Representations for Multi-Vector Document Re-Ranking. Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval: 2255–2265. https://doi.org/10.1145/3726302.3730065.
Devlin J., Chang M.-W., Lee, K., Toutanova K. 2019. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 1: 4171–4186. https://doi.org/10.18653/v1/N19-1423.
Kruhlov, V., Bobos, O., Hnylianska, O., Rossikhin, V., & Kolomiiets, Y. 2024. The Role of Using Artificial Intelligence for Improving the Public Service Provision and Fraud Prevention. Pakistan Journal of Criminology, 16(2): 913–928.
Kyurkchiev P, Iliev A, Kyurkchiev N. 2026. Semantic Search for System Dynamics Models Using Vector Embeddings in a Cloud Microservices Environment. Future Internet, 18(2): 86. https://doi.org/10.3390/fi18020086.
Pan Y., Wang L. 2024. Retrieval-Augmented Generation for Code Summarization via Hybrid GNN. IEEE Trans. Softw. Eng. 50:1234–1250.
Papageorgiou G, Sarlis V, Maragoudakis M, Tjortjis C. 2025. Hybrid Multi-Agent GraphRAG for E-Government: Towards a Trustworthy AI Assistant. Applied Sciences. 15(11): 6315. https://doi.org/10.3390/app15116315
Papageorgiou G, Sarlis V, Maragoudakis M, Tjortjis C. 2025. A Multimodal Framework Embedding Retrieval-Augmented Generation with MLLMs for Eurobarometer Data. AI. 6(3): 50. https://doi.org/10.3390/ai6030050
Raj M., Mishra, N. 2025. Exploring new Approaches for Information Retrieval through Natural Language Processing, arXiv e-prints, Art. no. arXiv:2505.02199, doi:10.48550/arXiv.2505.02199.
Sadykova T., Sinchev B., Young I.C., Auyezova А. 2025. The application of vector space models in intelligent information retrieval systems. Academic Scientific Journal of Computer Science, 355(3), 160–175. https://doi.org/10.32014/2025.2518-1726.370
Sarmah B., Hall B., Rao R., Patel S., Pasquali S., Mehta D. 2024. HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction. arXiv preprint arXiv:2408.04948. https://doi.org/10.48550/arXiv.2408.04948
Zhu X., Guo X., Cao S., Li S., Gong J. 2024. StructuGraphRAG: Structured document-informed knowledge graphs for retrieval-augmented generation. In Proceedings of the AAAI symposium series, 4(1): 242–251.
Просмотров аннотации: 0
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2026 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
