超越显式边线：在噪声与稀疏知识图谱上的鲁棒推理
计算与语言
2026-03-17 v1
摘要
图检索增强生成（GraphRAG）正日益被采用，将非结构化语料库转换为图结构以实现多跳推理。然而，标准图算法严重依赖静态连接和显式边线，在真实场景中经常失败，因为知识图谱（KG）可能是噪声多、稀疏或不完整的。为解决这一局限，我们引入了INSES（智能导航与相似性增强搜索），一个旨在超越显式边线进行推理的动态框架。INSES将LLM引导的导航（用于剪枝噪声和引导探索）与基于嵌入的相似性扩展（用于恢复隐藏链接和弥合语义差距）相结合。认识到图推理的计算成本，我们以轻量级路由器补充INSES，将简单查询委托给朴素RAG并将复杂案例升级至INSES，在效率与推理深度之间取得平衡。INSES在多个基准测试中持续超越最先进的RAG和GraphRAG基线。特别值得注意的是，在MINE基准测试上，它展示了在由不同方法构建的知识图谱（KGGEN、GraphRAG、OpenIE）上的优越鲁棒性，分别将准确率提高了5%、10%和27%。
引用
@article{arxiv.2603.14006,
title = {Beyond Explicit Edges: Robust Reasoning over Noisy and Sparse Knowledge Graphs},
author = {Hang Gao and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2603.14006},
year = {2026}
}