论文
HyCE-RAG：面向可解释多跳问答的超图证据链检索增强生成
HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering
摘要
多跳问答要求系统从多个文档中检索证据，并将分散的事实连接为连贯的推理过程。标准检索增强生成（RAG）主要依赖查询与文本块之间的语义相似度，因此往往无法建模实体、事实和证据单元之间的结构关系。基于图的 RAG 通过引入图结构知识加以改进，但成对边在表示涉及多个实体和上下文的高阶关联时仍然受限。我们提出 HyCE-RAG，一个用于可解释多跳问答的超图证据链检索增强生成框架。HyCE-RAG 将实体、关系和上下文证据组织成超边，构建查询感知的证据超图，并在实体-超边关联结构上进行置信度传播。随后在答案生成之前，它使用置信度引导的证据组装来选择、连接和排序证据路径。评分过程联合考虑语义相关性、实体连通性、证据覆盖度、关系可靠性、抽取置信度和传播置信度。通过向语言模型提供结构化证据链而非扁平检索段落，HyCE-RAG 支持更忠实、更可解释的推理。在 HotpotQA、2WikiMultihopQA、MuSiQue 和两个 GraphRAG-Bench 子集上的实验表明，HyCE-RAG 在答案准确率、上下文相关性和忠实度上持续超越标准 RAG 和基于图的 RAG 基线。这些结果表明，基于超图的证据组织是复杂问答中检索后推理的一个有前景的方向。
