GGraphRAG 文献图谱自动同步
LIT-7B803FC4 · 2026

S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering

S-Path-RAG 将多跳 KGQA 的检索对象从序列化文本路径转为带语义权重的候选路径集合:用可微 scorer 和 verifier 选择路径,把压缩后的 path latent 通过 cross-attention 注入冻结 LLM,并让 LLM 的诊断消息触发下一轮图编辑。

PDF 级阅读卡优先级 P1Rong Fu, Yemin Wang, Tianxiang Xu, Yongtai Liu, Weizhi Tang, Wangyu Wu, Xiaowen Ma, Simon FongarXiv
内容状态:PDF 级阅读卡。结构化摘录继承当前知识库的来源等级;具体 claim 应回到一手论文核验。

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。

研究问题入口

Q3 证据检索与集合形成, Q4 查询规划与执行, Q6 证据来源与可解释性, Q8 效率与部署, Q9 评测与理论

展开原始论文笔记全文

基本信息

  • 作者: Rong Fu, Yemin Wang, Tianxiang Xu, Yongtai Liu, Weizhi Tang, Wangyu Wu, Xiaowen Ma, Simon Fong
  • 来源: arXiv:2603.23512v1,论文页日期 2026-03-26,arXiv 首次版本 2026-03-05
  • 核心关键词: weighted path search、verifier、soft latent injection、Neural-Socratic Graph Dialogue

一句话定位

S-Path-RAG 将多跳 KGQA 的检索对象从序列化文本路径转为带语义权重的候选路径集合:用可微 scorer 和 verifier 选择路径,把压缩后的 path latent 通过 cross-attention 注入冻结 LLM,并让 LLM 的诊断消息触发下一轮图编辑。

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

数据与实现

主结果使用 WebQSP(4,737,最多 2-hop)和 CWQ(34,699,最多 4-hop);MetaQA-3 用作 3-hop 压力测试描述。主实验采用三层 relation-aware GNN、256 维表示、LLaMA2-7B 和单张 A100-40GB;另有 GPT-4 upper-bound 分析。

主结果

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

消融与效率

  • 去掉 soft injection:WebQSP/CWQ F1 分别下降 5.8/6.7;去掉 verifier 下降 4.1/4.5;去掉 pi_map 下降 4.5/4.9。
  • 混合路径搜索的 answer coverage 为两个数据集均 95.7%,平均候选路径数 56,高于 random walk、beam 和 weighted shortest path 单独使用。
  • 每题中位 LLM calls 为 2.3,tokens 为 284±7,延迟 3.8±0.2 秒,GPU RAM 11.2GB;ToG+ChatGPT 为 4.2 calls、418±12 tokens、6.7±0.5 秒、17.1GB。
  • 注入诊断显示 38.7% cross-attention 分配到图 keys/values;清零注入后 F1 下降 21.4%,path score 与 attention weight 的相关系数为 0.82。它们证明模型使用了注入信号,但不等于完整的来源 provenance 证明。

扩展评测

OGB WikiKG 2.0 表中,S-Path-RAG 为 5.5M 参数、MRR 0.628±0.003、Hits@10 0.692±0.002。附录还报告按图形状和 4–8 hop 的检索结果;这些结果与 WebQSP/CWQ 主表不可直接合并。

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

核验清单

  • 数字来自 arXiv:2603.23512v1 的表 1–5 与诊断段落;需保留数据集、LLM、候选预算和是否迭代。
  • 论文原文:https://arxiv.org/abs/2603.23512