大規模言語モデル（LLM）の出力品質を向上させる手法として、検索拡張生成（RAG）が広く活用されています。しかし従来のRAGシステムは平坦なドキュメントストアから文脈を取得するため、階層的または関係的な推論が必要なクエリに対応する際に課題を抱えていました。この問題を解決するため、階層化された知識グラフ上でグラフトラバーサルを実行し、言語モデルに構造化された文脈を提供する新しいフレームワークHG-RAG（Hierarchy-Guided RAG）が提案されました。 HG-RAGの検索パイプラインは、まずクエリから名前付きエンティティアンカーを解決し、その後、親ノードを通じて上方向に文脈を拡張し、関連する隣接ノードを通じて横方向に、必要に応じて子ノードを通じて下方向に拡張していきます。この階層的なアプローチにより、複数のスケール（18～800ノード）と4つのクエリタイプ（ローカルファクト、階層的、近傍、マルチホップ）に対して評価が行われました。 評価結果によれば、HG-RAGは階層的推論、関係的推論、マルチホップ推論タスクにおいて平坦なベースラインを一貫して上回る性能を示しました。さらに重要な点として、幻覚現象（hallucination）を削減しながら、局所的な首尾一貫性を維持することに成功しています。この成果は、知識グラフの構造情報を効果的に活用することで、LLMの推論能力と信頼性を同時に向上させる可能性を示唆しています。