自适应知识图谱检索增强

动态扩展控噪保推理

通过边际贡献主导的多维路径质量评估，动态调整知识图谱扩展方向与长度，在抑制低效用路径噪声的同时保留完整推理链。

Yu, Wang · 周庆瑞 · Chen, Qingwei · Ding, Linghu

Neurocomputing 2026

参数信息

响应质量 F1 提升（HotpotQA）

3.0 %

响应质量 F1 提升（MuSiQue）

1.8 %

检索质量 F1 提升（HotpotQA）

1.5 %

检索质量 F1 提升（MuSiQue）

0.6 %

2 跳问题响应质量 F1 提升

0.9 %

3 跳问题响应质量 F1 提升

2.2 %

4 跳问题响应质量 F1 提升

4.2 %

技术优势

动态控噪

路径质量以边际贡献为主导信号，动态调整扩展长度与方向，从而抑制低效用路径的噪声。

保留完整推理链

对扩展后的文档块进行重组与重排序，构建包含完整推理路径的知识文档，为模型提供连贯支持。

越复杂越有效

在 MuSiQue 上按跳数分层分析显示，2 跳、3 跳、4 跳问题的响应质量 F1 分别提升 0.9%、2.2%、4.2%，提升幅度随问题复杂度增加而增大。

应用场景

• 智能问答系统：为复杂多跳问题提供更准确的答案，提升问答系统在长链路推理上的表现。
• 多跳推理：通过动态扩展保留完整推理链，使模型能应对需要多步推理才能解答的问题。
• 检索增强生成：优化检索到的上下文质量，减少噪声对生成的干扰，提升生成内容的准确性。
• 知识图谱：在知识图谱上自适应地选择有用路径，避免固定跳数扩展带来的信息冗余与遗漏。