arXiv cs.AI· Junchen Li, Liang Xu, Rongzheng Wang, Qizhi Chen, Junhao Wen, Shuang Liang·· 12 小时前AI 评分34
用对比证据路径引导智能体搜索，解决图连接性误导问题
When Connectivity Misleads: Guiding Agentic Search with Contrastive Evidence Paths
AI 导读
针对图扩散方法（如 Personalized PageRank）让高连接度干扰节点挤占观察窗口的问题，研究者提出 Contrastive Evidence Paths（CEP），按查询条件下文档图上的最强单条路径为候选打分，并用同一图的背景访问分布校准以抑制结构偏差。
正文 · AI 翻译
摘要：搜索智能体可以利用跨文档图，通过多跳连接发现来源，并在有限的观察窗口内根据候选排序和关系选择后续动作。然而，文档排名靠前可能只是因为其连接众多而更容易被到达，未必能提供更有价值的证据。图扩散方法（如个性化 PageRank，PPR）会聚合来自多个来源的传播贡献，使高度连接的干扰节点挤占观察窗口。扁平的节点分数还会掩盖跨文档的证据链，限制持续探索。我们提出对比证据路径（Contrastive Evidence Paths，CEP），在查询条件化的文档图上按候选的最强个体路径为其打分，并依据同一图的背景访问分布校准这些分数，以缓解结构偏差。CEP 按校准后的分数对候选排序，并保留相应的来源路径。在 CEP 基础上，我们开发了结构化语料交互（Structured Corpus Interaction，SCI），将候选及其连接路径组织为结构化 Map，使智能体能够验证来源文档，并从锚点文档扩展以追寻缺失信息。在 BrowseComp-Plus 和 TREC-COVID 上的实验表明，SCI 以最低的生成成本实现了最先进的答案准确率和 nDCG@10。与任务表现最强的基线相比，工具调用次数和总生成成本的最大降幅分别超过 50% 和 40%。进一步分析证实，采用 CEP 的 SCI 抑制了结构连接导致的排名虚高，并提升了金标召回率和探索效率。
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36134 [cs.IR] |
| （或 arXiv:2610.36134v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36134 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junchen Li [查看邮箱]
[v1]
2026年10月26日星期一 18:45:15 UTC（842 KB）
来源：arXiv cs.AI · arxiv.org