OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources

Real-world information needs require access to structurally diverse knowledge sources, from unstructured text and relational tables to knowledge graphs and property graphs. Existing retrievers, however, operate over one source at a time under a fixed query language, leaving the broader landscape of available knowledge fragmented behind incompatible interfaces. A natural attempt at unification would collapse these sources into a shared space, but this erases the structural affordances (such as schemas, ontologies, compositional operators) that give each source its expressive power. Effective retrieval over diverse knowledge, therefore, requires not homogenization but an overarching layer that meets each source on its own terms. To achieve this, we present OmniRetrieval, a framework that takes any natural-language query, identifies appropriate knowledge sources, and dispatches source-native queries to their native execution engines. Across an extensive benchmark spanning 13 datasets and 309 distinct knowledge bases over text, relational, and graph-structured sources, OmniRetrieval exceeds single-source baselines, demonstrating that it can serve as a general-purpose interface to the heterogeneous sources while preserving the structural distinctions that make each source valuable.

📋 한 줄 요약

**[Unified Retrieval / 이질 지식 소스]** OmniRetrieval이 자연어 query를 textual·relational·KG·property graph 등 적합 source로 dispatch, 13 datasets·309 KB 벤치에서 source-native query 활용으로 single-source baseline 능가.

🎯 핵심 기여도

실세계 정보 요구가 비구조 텍스트·관계 table·knowledge graph·property graph 등 structurally diverse 지식 source 접근 필요.
기존 retriever는 fixed query language로 한 source씩 동작, 사용 가능 지식 landscape가 incompatible 인터페이스 뒤로 fragmented되어 있음을 진단.
Source를 공유 공간으로 collapse하는 통합 시도는 schema·ontology·compositional operator 같은 structural affordance를 erase. 효과적 retrieval은 homogenization이 아닌 각 source를 자체 terms로 맞이하는 overarching layer 필요.
OmniRetrieval — 자연어 query를 받아 적합 지식 source 식별 후 source-native query를 native execution engine에 dispatch하는 프레임워크. 13 dataset·309 distinct KB(텍스트·관계·graph 구조 source 커버) 광범위 벤치에서 single-source baseline 능가 — 각 source 가치 결정짓는 structural distinction 보존하면서 이질 source 일반 인터페이스로 작동.

💡 핵심 아이디어

이질 지식 source 통합 retrieval은 source들을 공유 공간으로 homogenize하면 schema·ontology·operator의 structural 가치가 erase되므로, 각 source를 자체 terms로 맞이하는 overarching dispatching layer로 source-native query를 native engine에 보내야 한다.

🔬 기술적 접근법

**방법론**: OmniRetrieval — query → source 식별 → source-native dispatch.
**핵심 기법**: (1) 자연어 query 분석으로 적합 지식 source 식별, (2) 각 source의 native query language로 변환, (3) Source의 native execution engine에 dispatch, (4) 각 source의 schema·ontology·compositional operator 보존, (5) 13 dataset·309 KB(텍스트·관계·graph) 광범위 벤치 검증.

📊 주요 결과

13 dataset·309 distinct knowledge base 벤치에서 single-source baseline 능가.
텍스트·관계·graph 구조 source 모두 커버.
구조적 distinction 보존하면서 일반 인터페이스 제공.
이질 source의 general-purpose retrieval 인터페이스로 작동 가능.

💭 의의 및 한계

**의의**: 이질 KB 통합 retrieval의 새 패러다임(homogenization 거부, native 보존), 실세계 정보 요구의 source 다양성 수용, 광범위 309 KB 벤치로 실증. **한계**: Source 식별·query 변환의 추가 복잡성·latency, source-native engine 의존(가용성·API 변화), 새 source 추가 시 dispatcher 학습 필요.

🚀 실용적 활용

Enterprise 이질 데이터 retrieval.
LLM RAG의 KG·table·텍스트 통합.
도메인 검색 시스템 통합 layer.