STEM：知识图驱动检索增强生成的结构追踪证据挖掘

基于知识图的问答（KGQA）在复杂的推理任务中发挥着关键作用，但仍然受到两个持续挑战的限制：知识图（KG）的结构异质性常常导致检索过程中的语义不匹配，而现有的推理路径检索方法缺乏全局结构视角。为了解决这些问题，我们提出了结构跟踪证据挖掘（STEM），这是一种新颖的框架，它将多跳推理重新构建为模式引导的图搜索任务。首先，我们设计了一个语义到结构的投影管道，它利用 KG 结构先验将查询分解为原子关系断言并构建自适应查询模式图。随后，我们执行全局感知的节点锚定和子图检索，从 KG 中获得最终的证据推理图。为了在图构建过程中更有效地整合全局结构信息，我们设计了三重依赖GNN（Triple-GNN）来生成指导构建的全局指导子图（Guidance Graph）。 STEM 显着提高了多跳推理图检索的准确性和证据完整性，并在多个多跳基准上实现了 State-of-the-Art 性能。