Relink：面向查询驱动的 GraphRAG 证据图动态构建
计算与语言
2026-01-13 v1 人工智能
摘要
基于图的检索增强生成(GraphRAG)通过在结构化知识中对齐来缓解大型语言模型(LLM)中的幻觉问题。然而，当前的GraphRAG方法受限于以静态、预构建知识图谱( KG)为前提的"构建后推理"范式，这一范式面临两个关键挑战：首先，KG固有的不完整性常常中断推理路径；其次，图的信噪比较低会引入干扰性事实，提供与查询相关但误导性的知识，扰乱推理过程。为解决这些挑战，我们主张"推理与构建"范式，提出Relink框架，动态构建查询特定的证据图。为解决不完整性，Relink从由原始文本语料库派生的潜在关系池中实例化所需事实，主动修复中断的推理路径。为处理误导性或干扰性事实，Relink采用统一的、查询感知的评估策略，联合考量来自KG与潜在关系的候选项，筛选出最有助于回答查询的事实，而非依赖其预先存在。这使Relink能够主动丢弃干扰性事实，为每个查询构建最忠实且精确的证据路径。在五个开放域问答基准测试上的大规模实验表明，Relink在EM上提升5.4%，F1上提升5.2%，显著优于领先的GraphRAG基线方法，展示了我们所提出框架的优越性。
引用
@article{arxiv.2601.07192,
title = {Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG},
author = {Manzong Huang and Chenyang Bu and Yi He and Xingrui Zhuo and Xindong Wu},
journal= {arXiv preprint arXiv:2601.07192},
year = {2026}
}
备注
Accepted by AAAI 2026