[AI学术] HyGRL：适应性混合图推理解决多实体问题

摘要

多实体组合问题对现有的检索增强语言模型提出了重大挑战。传统方法面临困境：标准的 RAG 缺乏动态推理，传统的 Graph-RAG 受限于结构稀疏，而 LLM 构建的 Graph-RAG 则成本高昂。为此，我们提出了 HyGRL，一个统一框架，将非结构化文本嵌入结构化知识图，创建灵活证据检索的异构网络。

推理被公式化为自适应结构引导，通过 robust 的两阶段过程进行学习：(1) 模仿学习提炼启发式专家信号，(2) 强化学习使用 LLM 驱动的偏好奖励来优化策略。实验表明，HyGRL 有效融合了文本的丰富性与结构知识，在答案准确性和推理真实性方面超越了 SOTA 基线，同时保持极低的 token 成本和近实时推理性能。

代码可访问：GitHub - HyGRL

博主点评： HyGRL 通过结合文本和图结构的优势，展示了在多实体推理中的巨大潜力。其创新的学习机制尤其值得关注，未来在实际应用中的表现将极具期待。希望能看到更多基于此框架的研究进展！