基于自适应广度-深度检索的自主知识图谱探索

从知识图谱中为语言模型查询检索证据，需要在图的广度搜索与遵循关系链接的多跳遍历之间取得平衡。基于相似度的检索器覆盖面广但深度较浅，而基于遍历的方法则依赖于选择种子节点来启动探索，当查询跨越多个实体和关系时可能会失败。我们引入了ARK：自适应知识检索器，这是一种使用工具的知识图谱检索器，通过一个双操作工具集，使语言模型能够控制这种广度-深度的权衡：对节点描述符的全局词汇搜索，以及可组合成多跳遍历的一跳邻域探索。ARK在面向广度的发现和面向深度的扩展之间交替进行，而不依赖于脆弱的种子选择、预设的跳数深度或需要检索训练。ARK能根据查询自适应地使用工具，对语言密集型查询使用全局搜索，对关系密集型查询使用邻域探索。在STaRK数据集上，ARK达到了59.1%的平均Hit@1和67.4的平均MRR，与基于检索和基于智能体的免训练方法相比，平均Hit@1最高提升了31.4%，平均MRR最高提升了28.0%。最后，我们通过无标签模仿，将ARK的工具使用轨迹从一个大型教师模型蒸馏到一个8B模型中，在AMAZON、MAG和PRIME数据集上，Hit@1分别比基础8B模型绝对提升了+7.0、+26.6和+13.5个百分点，同时保留了教师模型高达98.5%的Hit@1率。