用于知识图谱多跳检索的查询感知传播激活

通过利用图结构，基于知识图（Graph RAG）的检索增强生成在多跳问答上优于平面段落检索。然而，在大多数现有系统中，问题仅设置种子节点；随后的遍历变成“查询盲”，仅取决于图结构。 QAFD-RAG 是个例外，它通过具有组合边缘重新加权的流扩散求解器来实现查询感知遍历。这种架构需要将完整的图加载到 Python 内存中，以及具有可变迭代次数的迭代求解器，这使得与图数据库的集成变得复杂。我们提出了一种传播激活方法，该方法通过单个每步语义门实现相同的查询感知遍历：步骤权重是候选实体的描述和问题之间的余弦相似度，并且迭代次数是固定的。整个检索过程 - 种子映射、传播、top-K 选择和上下文组装 - 表示为在 Neo4j 的一次往返中执行的单个 Cypher 查询；该图永远不会离开数据库。在 MuSiQue 上，我们的方法通过精确匹配与 QAFD-RAG 匹配（32.80 vs 33.50），并且比我们比较中最强的纯结构基线 HippoRAG 表现出色，EM 为 5.3，F1 为 3.4；在 2WikiMultiHopQA 上，HippoRAG 和 QAFD-RAG 由于其短语节点架构而保留了优势。禁用门的消融证实门是同时 F1 增益 3.6 至 7.4 点和检索延迟减少 1.5 至 4.9 倍的来源。