1. 动机随着大模型LLMs在问答、推理、生成任务中的广泛应用RAGRetrieval-Augmented Generation成为减少幻觉、补充外部知识的重要手段。传统 RAG 多依赖向量数据库但越来越多的任务需要结构化关系如作者–论文–机构节点文本内容如论文摘要、商品描述多跳推理能力因此知识图谱KG成为更强的外部知识源。然而现有 KG-RAG 方法存在显著不足(1). 对复杂查询检索不准确简单关系查询如“谁是 Alice 的父亲”只需结构信息即可解决。 但复杂查询如“列出某大学发表的与某主题相关的论文”需要同时理解作者关系、机构关系、论文文本内容、主题相关性现有方法难以同时利用结构与文本。(2). 检索结果缺乏多样性复杂查询往往需要多个答案但模型容易只找到单一结果。(3). PRM过程奖励模型成本高PRM 能提供逐步指导但需要昂贵的过程级监督数据在 KG 中几乎无法获得。因此作者提出 GraphFlow希望在没有过程监督的情况下实现高准确性、高多样性、高泛化能力、高效率。2. 贡献(1) 提出 GraphFlow 框架通过联合优化检索策略和流估计器在无显式过程级奖励的情况下实现复杂查询的精准多样检索。(2) 引入局部探索策略与详细平衡目标减少对低奖励区域的访问提升训练效率并引导检索策略向高奖励区域探索。(3) 在 STaRK 基准测试中GraphFlow 在检索准确率和多样性指标上超越包括 GPT-4o 在内的强基线且在未见过的知识图谱上展现出优异的跨域泛化能力。3. 方法总体框架如图 1 所示GraphFlow 通过流估计器将轨迹结果奖励τ分解为中间状态流值引导检索策略学习(b) 基于 LLM 的 GraphFlow 实现适配富含文本的知识图谱检索场景。图1 总体框架图3.1 问题建模知识图谱定义为GV,E,D其中V为实体节点集E为关系边集D为节点关联的文本文档集。检索目标是从G中获取K个目标节点及对应文档以支撑复杂查询的回答。3.2 多步决策过程设计状态初始状态为查询为初始节点关联文档第t步状态,包含累计文档集。动作从当前节点移动到相邻节点并获取对应文档。转移状态随动作更新为直至文档满足查询需求或达到最大步数。奖励轨迹终止时根据终端节点文档是否支持查询分配结果奖励τ。3.3 核心组件流估计器为每个中间状态分配非负流值将最终结果奖励分解到中间步骤提供隐式过程级监督。检索策略通过详细平衡目标联合训练使轨迹生成概率与奖励成比例即其中τ为检索轨迹为状态转移概率τ为轨迹结果奖励。局部探索对每个非终端状态生成k个探索动作聚焦高价值区域优化提升训练效率。3.4 损失函数与训练配置采用详细平衡与局部探索DBLE目标函数边界条件设为通过 LoRA 适配器优化 LLM backbone联合训练流头和策略头。4. 实验4.1 数据集采用 STaRK 基准测试涵盖三个富含文本的知识图谱领域STaRK-AMAZON电商领域含产品信息与共购关系用于推荐查询检索。STaRK-MAG学术领域含作者、机构、出版物信息用于论文检索等学术查询。STaRK-PRIME生物医学领域含药物、疾病、基因等实体及关系用于生物医学查询。4.2 实验任务与基线任务评估复杂查询下的检索准确率Hit1、Hit5、MRR和多样性R20、D-R20。基线检索式方法DenseRetriever、G-Retriever、SubgraphRAG、智能体方法ToGLLaMA3、ToGGPT4o、SFT、PRM。表1 实验结果-检索准确性表现表2 实验结果-检索多样性表现表3 实验结果-定量检索质量4.3 实验结果准确率GraphFlow 在所有数据集上显著优于基线与 ToGGPT4o 相比平均提升 10%STaRK-PRIME 的 Hit1 达 39.84%、MRR 达 54.58%。多样性GraphFlow 的 R20 和 D-R20 指标均为最优STaRK-PRIME 的 D-R20 达 79.59%避免冗余且覆盖更多目标。泛化能力在跨域检索任务中表现突出尤其在重排序设置下Hit5 指标显著超越其他方法。5. 总结本文提出 GraphFlow 框架通过流估计器分解奖励信号和局部探索策略解决了知识图谱驱动 RAG 在复杂查询下的精准性和多样性难题。实验表明该框架无需显式过程级监督即可在 STaRK 基准上超越强基线且具备优异的跨域泛化能力。未来可结合因果推理进一步提升 LLM 的推理能力探索更多科学领域的应用场景。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】