STEM：面向知识图谱驱动的检索增强生成的结构追踪证据矿工

基于知识图谱问答（KGQA）在 complex reasoning 任务中发挥关键作用，但仍受两个持久挑战制约：知识图谱（KGs）的结构异质性常导致检索期间语义不匹配，而现有 reasoning path 检索方法缺乏全局结构视角。为此，我们提出 Structure-Tracing Evidence Mining（STEM），一个将多跳推理重新框定为 schema-guided 图搜索任务的新框架。首先，我们设计 Semantic-to-Structural Projection 流水线，利用 KG 结构先验将查询分解为原子关系断言并构建自适应查询 schema 图。随后，我们执行全局感知的节点锚定和子图检索，以获取最终证据 reasoning 图。为更有效地整合图构建过程中的全局结构信息，我们设计 Triple-Dependent GNN（Triple-GNN），生成 Global Guidance Subgraph（Guidance Graph），指导构建。STEM 在多跳推理图检索中显著提升了准确率和证据完整性，在多个 multi-hop benchmark 上实现了最先进的性能。