SemFlowRAG：复杂推理从抽象到证据的定向语义流

由知识图增强的检索增强生成（RAG）在复杂的多跳推理任务中显示出了前景。然而，现有的基于图的检索方法通常依赖于平坦的、无向的拓扑。在检索过程中，概率流经常陷入高度抽象的概念节点中，我们将其定义为“概率黑洞”，导致语义漂移和噪声积累。为了解决这个问题，我们提出了 SemFlowRAG，一个将平面检索空间重建为语料库自适应语义梯度图的框架。这种数据驱动的自组织使分层结构能够从数据分布中自然出现，捕获语料库的内在语义粒度以抑制结构噪声。通过相关段落的嵌入方差来量化实体的语义抽象性，我们将静态无向边缘转换为有向语义约束。此外，我们设计了一种抽象性引导的定向 PageRank 算法，强制检索轨迹遵循“从高到低的语义抽象性”梯度。这种机制保证了层层证据收敛，顺利引导从抽象概念到具体文档证据的检索过程。对复杂 QA 数据集的大量实验表明，SemFlowRAG 有效缓解了“概率黑洞”问题，在检索和下游推理性能方面均优于现有基线。