NeuroPath：受神经生物学启发的语义路径跟踪与反思，用于语义连贯检索
信息检索
2025-11-19 v1 人工智能
摘要
检索增强生成 (RAG) 在知识密集型任务中显著提升了大型语言模型 (LLM) 的性能。然而，naive RAG 方法在捕捉跨文档复杂依赖方面有限，难以应对多跳问答。近期研究采用基于图的 RAG 捕捉文档间关系，但这些方法在节点匹配和子图构建时常导致语义连贯性丧失并引入无关噪声。为此，我们提出 NeuroPath，一种受神经生物学中路径导航规划启发的 LLM 驱动的语义路径跟踪 RAG 框架。它包含两个步骤：动态路径跟踪和后检索完成。动态路径跟踪在构建的知识图谱 (KG) 上进行目标导向的语义路径跟踪和修剪，提高了噪声减少和语义连贯性。后检索完成进一步通过利用中间推理和原始查询来细化查询目标并完成推理路径中的缺失信息。NeuroPath 在三个多跳 QA 数据集上超越当前最先进的基线，在 recall@2 上平均提升 16.3%，在 recall@5 上平均提升 13.5%。此外，与现有基于迭代的 RAG 方法相比，NeuroPath 在准确率方面更高，token 消耗降低 22.8%。我们还在四个较小的 LLM (Llama3.1、GLM4、Mistral0.3 和 Gemma3) 上演示了 NeuroPath 的鲁棒性，并进一步验证了其在任务复杂度不同的扩展性。代码已公开于 https://github.com/KennyCaty/NeuroPath。
引用
@article{arxiv.2511.14096,
title = {NeuroPath: Neurobiology-Inspired Path Tracking and Reflection for Semantically Coherent Retrieval},
author = {Junchen Li and Rongzheng Wang and Yihong Huang and Qizhi Chen and Jiasheng Zhang and Shuang Liang},
journal= {arXiv preprint arXiv:2511.14096},
year = {2025}
}
备注
Accepted by NeurIPS 2025