S-Path-RAG：多跳知识图问答的语义感知最短路径检索增强生成

我们提出了 S-Path-RAG，一种语义感知的最短路径检索增强生成框架，旨在改进大型知识图谱上的多跳问答。 S-Path-RAG 脱离了一次性的文本检索，通过使用混合加权 $k$-最短、束和约束随机游走策略来枚举有界长度、语义加权的候选路径，学习可微的路径评分器以及对比路径编码器和轻量级验证器，并通过交叉注意力将选定路径潜在的紧凑软混合注入到语言模型中。该系统在迭代的神经-苏格拉底图对话循环中运行，其中语言模型生成的简明诊断消息被映射到目标图编辑或种子扩展，从而在模型表达不确定性时实现自适应检索。这种组合产生了一种既具有词元效率又具有拓扑感知能力的检索机制，同时保留了用于诊断和干预的可解释的路径级跟踪。我们在标准多跳 KGQA 基准上并通过消融和诊断分析来验证 S-Path-RAG。结果表明，与基于图形和 LLM 的强大基线相比，答案准确性、证据覆盖率和端到端效率得到了持续改进。我们进一步分析语义权重、验证者过滤和迭代更新之间的权衡，并报告在约束计算和 词元预算 下部署的实用建议。