HELP：面向准确高效 GraphRAG 的 HyperNode 扩展与逻辑路径引导证据定位

大语言模型（LLM）常常受制于固有的知识边界与幻觉，限制了其在知识密集型任务中的可靠性。检索增强生成（RAG）能缓解这些问题，但常忽视对多跳推理至关重要的结构相互依赖。基于图的 RAG 方法试图弥合这一差距，却因图遍历代价高、LLM 生成摘要中的语义噪声等挑战，通常面临精度与效率之间的权衡。本文提出 HELP（HyperNode Expansion and Logical Path-Guided Evidence Localization for GraphRAG），一个通过两项核心策略在精度与实用效率之间取得平衡的新框架：1) HyperNode 扩展，将知识三元组迭代链接为连贯推理路径并抽象为 HyperNode，以捕捉复杂结构依赖并保证检索精度；2) 逻辑路径引导的证据定位，利用预计算的图-文本关联把这些路径直接映射到语料库，从而获得更高效率。HELP 避免了昂贵的随机游走与语义失真，在保持知识完整性的同时大幅降低检索延迟。大量实验表明，HELP 在多个简单与多跳问答基准上取得有竞争力的性能，相比领先的图基 RAG 基线加速最高达 28.8 倍。