Ex-GraphRAG：图增强 LLM 的可解释证据路由

GraphRAG 在从知识图检索的子图上设置语言模型，并通过消息传递 GNN 进行编码。由于这些编码器通过迭代邻域聚合来纠缠节点贡献，因此没有封闭形式的方法来确定每个检索到的实体对编码器输出的影响程度，因此无法忠实地审核哪些结构证据实际到达了模型。我们引入了 Ex-GraphRAG，它用多元图神经加法网络 (M-GNAN) 取代了 GNN 编码器，M-GNAN 是加法图模型到高维嵌入空间的扩展，可以跨各个节点和特征组生成编码器输出的精确分解，而无需事后近似。在 STaRK-Prime 上，这种可审计编码器可与黑盒性能相匹配。使用它来审计证据路由，我们发现了语义结构不匹配：在检索到的子图中，主导编码器输出的节点在结构上是断开的，由低属性中介连接在一起，其删除会使多跳 QA 降低高达 28%。这种不匹配对任何不透明编码器来说都是不可见的，它揭示了语义重要性和结构连接性是由不相交的节点集控制的，对图增强 LLM 中的检索修剪、上下文构建和故障诊断具有直接影响。