StepChain GraphRAG：用于多跳问答的知识图谱推理
计算与语言
2025-10-06 v1 信息检索
摘要
检索增强生成（RAG）的最新进展导致更准确、更可解释的多跳问答（QA）。然而，整合迭代推理步骤与外部知识检索仍面临挑战。为此，我们引入 StepChain GraphRAG 框架，将问题分解与广度优先搜索（BFS）推理流程融合，以提升多跳问答效果。该方法首先在语料库上构建全局索引；在推理阶段，仅对检索到的段落进行即时解析，构建知识图谱，并将复杂查询拆分为子问题。针对每个子问题，基于 BFS 的遍历沿着相关边动态扩展，组装显式证据链，而不使语言模型负担过多上下文。在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上的实验表明，StepChain GraphRAG 实现了最高的精确匹配（Exact Match）和 F1 分数。相较于当前最佳方法，StepChain GraphRAG 将平均 EM 提升 2.57%，F1 提升 2.13%，在 HotpotQA 上取得最大提升（+4.70% EM，+3.44% F1）。StepChain GraphRAG 还通过保留中间检索步骤中的链式思维，实现了增强的可解释性。我们指出，未来工作可通过减轻计算开销并解决大型语言模型可能产生的幻觉问题，以提升多跳问答的效率和可靠性。
引用
@article{arxiv.2510.02827,
title = {StepChain GraphRAG: Reasoning Over Knowledge Graphs for Multi-Hop Question Answering},
author = {Tengjun Ni and Xin Yuan and Shenghong Li and Kai Wu and Ren Ping Liu and Wei Ni and Wenjie Zhang},
journal= {arXiv preprint arXiv:2510.02827},
year = {2025}
}