SeedER：基于知识图谱的种子-扩张检索
机器学习
2026-05-25 v1
摘要
知识图谱 (KG) 提供了丰富的关系知识表示, 但其不规则的结构使得检索具有挑战性: ego 图扩张迅速增长, 大型嵌入方法在处理多跳组合查询时困难重重。 现有的基于智能体的图探索方法虽然表达性强，却常常在大规模检索方面代价过高。 我们引入SeedER (Seed-and-Expand Retrieval)，一种通过迭代、低成本扩张显式利用 KG 结构的检索框架。 SeedER 首先通过轻量级的稠密检索和实体检索种子一组紧凑的核心节点, 然后通过一个在强化学习中训练的学习型图感知策略对该集合进行选择性扩张。 这种设计将全局推理分解为可重用的局部决策, 从而在严格控制扩张成本的同时, 高效地发现与查询相关的节点。 我们指出了稠密检索在组合图查询上的理论局限性, 并从组合泛化和图约束亚可分解优化的视角确立了SeedER的优势。 在实证方面, SeedER 在强大的稠密和图增强基线之上, 以紧凑的候选集显著提高了召回率, 使其成为知识密集型推理系统中有效的第一级检索器。
引用
@article{arxiv.2605.23753,
title = {SeedER: Seed-and-Expand Retrieval from Knowledge Graphs},
author = {Hamed Shirzad and Frederik Wenkel and Dominique Beaini and Danica J. Sutherland and Emmanuel Noutahi},
journal= {arXiv preprint arXiv:2605.23753},
year = {2026}
}