嗨，我是 PaperAGI，主要關注 LLM、RAG、Agent 等 AI 前沿技術，每天分享業界最新成果和實戰案例。
基於知識圖譜（Knowledge Graph, KG）的檢索增強生成（RAG）在問答任務中面臨一個核心難題：三元組索引會丟失上下文語意。當文字被壓縮為（頭實體 - 關係 - 尾實體）三元組時，很多隱含的背景資訊被剝離，導致多跳推理（Multi-hop QA）效能大打折扣。多跳問答需要從多個實體、事實或關係中組合答案，對上下文理解要求極高，傳統方法的語意丟失問題在此類任務中尤為突出。
MDER-DR 雙階段框架
作者提出了一個領域無關的 KG-QA 框架，覆蓋索引和檢索推理兩個階段，由兩個核心組件協同工作：
MDER：智慧索引策略
傳統方法直接儲存原始三元組，而 MDER 採用四步策略生成上下文感知的實體摘要：
- Map（映射）：識別文字中的實體和關係
- Disambiguate（消歧）：解決實體指代歧義
- Enrich（豐富）：基於上下文生成三元組的自然語言描述
- Reduce（簡化）：融合實體級摘要，保留關鍵語意
關鍵優勢：避免了在檢索階段顯式遍歷圖邊，大幅提升檢索效率。
DR：迭代檢索機制
針對使用者查詢，DR 採用分解 - 解析的迭代推理策略：
- 分解：將複雜查詢拆解為多個可解析的三元組子問題
- 解析：在知識圖譜中錨定這些三元組，透過迭代推理逐步縮小答案範圍
- LLM 驅動：整個流程由大語言模型驅動，具備處理稀疏、不完整和複雜關係數據的強健性
實驗結果與亮點
在標準基準測試和領域特定數據集上，MDER-DR 相比傳統 RAG 基線取得最高 66% 的效能提升，同時保持跨語言強健性。這表明該方法不僅適用於特定領域，還具備良好的泛化能力。
方案優勢總結
- 語意保留：透過實體級摘要保留上下文細節，解決三元組索引的語意丟失問題
- 效率優化：避免顯式圖遍歷，檢索階段更高效
- 強健性強：對知識圖譜的稀疏性和不完整性具有良好適應性
- 領域無關：框架設計通用，可快速適配不同領域
- 端到端 LLM 驅動：充分利用大語言模型的推理能力，無需繁瑣的規則工程
總結
MDER-DR 為知識圖譜問答提供了一條新思路：與其在檢索時遍歷複雜的圖結構，不如在索引階段就生成富含語意的實體摘要。這種「重索引、輕檢索」的設計理念，配合迭代式查詢分解策略，有效解決了多跳問答中的語意斷層問題。
Multi-Hop Question Answering with Entity-Centric Summaries https://arxiv.org/pdf/2603.11223