异构图-向量检索中的校准融合：多跳问答中的应用
信息检索
2026-04-29 v2 机器学习
摘要
图增强检索将稠密相似度与基于图的相关性信号（如个性化 PageRank）相结合，但这些分数分布不同，难以直接进行比较。我们将其视为异构检索融合中的分数校准问题，以应用于多跳问答。我们的方法 PhaseGraph 通过分位秩归一化（PIT）将向量和图分数映射到统一的无量纲尺度，从而在融合时实现稳定的组合，同时不丢弃幅度信息。在 MuSiQue 和 2WikiMultiHopQA 上，通过校准融合可提升独立 held-out 测试集上最后一步检索性能：在 MuSiQue (8W/1L, p=0.039) 上，LastHop@5 从 75.1% 提升至 76.5%；在 2WikiMultiHopQA (11W/2L, p=0.023) 上，LastHop@5 从 51.7% 提升至 53.6%。理论驱动的消融实验表明，分位基于的校准在调参和测试分割上（1W/6L, p=0.125）在方向上更稳健，而布尔�瓦克加权在校准后相当于线性融合（0W/3L, p=0.25）。这些结果表明，分数统一是一个稳健的设计选择，而校准后的具体算子在这些基准测试中影响相对较小。
引用
@article{arxiv.2603.28886,
title = {Calibrated Fusion for Heterogeneous Graph-Vector Retrieval in Multi-Hop QA},
author = {Andre Bacellar},
journal= {arXiv preprint arXiv:2603.28886},
year = {2026}
}
备注
10 pages, 5 figures