研究问题与动机
- one-shot 检索可能漏掉多跳支持路径,静态路径枚举又容易产生大量假阳性。
- 把完整路径文本化会增加上下文 token 和延迟。
- 模型不确定时,需要有机制请求局部扩展、验证关系或剪枝低质量路径。
方法与机制
迭代检索—推理循环
实体链接得到 top-m seed 后,每轮执行:当前子图 GNN 编码、候选路径生成、路径评分与 verifier 过滤、soft path latent 注入、LLM 生成答案和诊断消息、将诊断映射为图编辑。达到置信度阈值或最大轮数后停止。
语义感知路径搜索
边权由结构成本、节点—查询语义距离和关系先验加权;候选由 weighted k-shortest paths、semantic beam expansion 和 constrained random walk 混合生成。论文建议最大长度 3–4、候选上限 50–200,并以消融比较三种搜索策略。
可微选择与软注入
path scorer 使用 Gumbel-Softmax 得到软选择权重;contrastive encoder 以 InfoNCE 训练,并加入 LLM-hard negatives;verifier 预测路径效用。选中路径的编码按 scorer×verifier 加权,作为 cross-attention 的 keys/values 注入 LLM,而不是把所有路径拼成文本。
Neural-Socratic Graph Dialogue
诊断消息通过规则模板或学习的 pi_map 映射为 VERIFY、EXPAND、PRUNE 等图编辑。训练阶段可使用 soft mask,推理阶段用 Gumbel-top-k 离散化;论文给出的设置保留 top 10%–20% 路径,覆盖约 97% gold edges 并剪掉约 80% 低分候选。
证据与结果
| 方法 | WebQSP H@1 | WebQSP F1 | WebQSP coverage | CWQ H@1 | CWQ F1 | CWQ coverage |
|---|---|---|---|---|---|---|
| GNN-RAG+RA | 82.8 | 73.5 | 94.9 | 62.8 | 60.4 | 79.3 |
| KG-R1 | 84.7 | 77.5 | 76.8 | 73.8 | 70.9 | 69.7 |
| S-Path-RAG | 88.9 | 78.2 | 95.7 | 77.9 | 75.2 | 95.7 |
| S-Path-RAG + Iterative | 89.4 | 79.8 | 97.3 | 79.3 | 76.9 | 97.3 |
局限与开放问题
- 训练和推理依赖实体链接、GNN、路径 scorer、verifier 以及 LLM 诊断映射,系统复杂度高于单次 GraphRAG。
- 主要 KGQA 结果依赖论文自定义的路径覆盖与对齐设置;尚未证明对开放文档 GraphRAG 的迁移。
- 迭代图编辑的停止阈值和候选预算需要校准;更高候选数会带来递减收益和额外成本。
- attention mass/causal intervention 说明 latent 被使用,但不能替代逐条文档来源核验。
关联与拓展
暂无可可靠提取的关联研究段落;先从研究问题索引横向比较。