摘要
多跳问答要求系统从多个文档中检索证据，并将分散的事实连接成一致的推理过程。标准的检索增强生成（RAG）主要依赖于查询与文本块之间的语义相似性，因此往往无法建模实体、事实和证据单元之间的结构关系。基于图的 RAG 通过引入图结构知识来改进这一点，但成对边仍然在表示涉及多个实体和上下文的高阶关联方面存在局限。
我们提出了 HyCE-RAG，一种用于可解释多跳问答的超图链证据检索增强生成框架。HyCE-RAG 将实体、关系和上下文证据组织成超边，构建一个查询感知的证据超图，并在实体-超边关联结构上执行置信度传播。然后，它使用置信度引导的证据组装来选择、连接和排名证据路径，最终生成答案。评分过程共同考虑了语义相关性、实体连接性、证据覆盖度、关系可靠性、提取置信度和传播置信度。
通过向语言模型提供结构化的证据链而非平坦的检索段落，HyCE-RAG 支持更可靠和可解释的推理。在 HotpotQA、2WikiMultihopQA、MuSiQue 和两个 GraphRAG-Bench 子集上的实验表明，HyCE-RAG 在答案准确性、上下文相关性和可信度方面始终优于标准 RAG 和基于图的 RAG 基线。这些结果表明，基于超图的证据组织是复杂问答中后检索推理的一个有前景的方向。
博主点评： HyCE-RAG 的提出为多跳问答领域带来了新的思路，通过超图结构有效地连接信息，使得推理过程更加透明和可解释。这种方法对提升问答系统的可靠性和用户信任度具有重要意义，值得在未来的研究中深入探索。