无图检索：用图修改嵌入提升稠密向量检索召回

Graph-free Retrieval with Graph-Modified Embeddings

AI 导读

研究比较了五种离线图嵌入变换及图修改嵌入与原始嵌入的搭配策略，无需查询时访问图。在合成职业网络基准上，直接替换原始嵌入会降低证据召回，而多阶段策略用图修改嵌入引导搜索、保留原始嵌入维持语义相关性，在需要关联事实或候选比较的问题上召回率相对纯向量检索最高提升 25.9%，并以少 40% 的返回节点数达到基线召回。检索表现更取决于图修改嵌入的使用方式，而非生成方式。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：稠密向量检索可能会遗漏通过中间实体连接的证据，而直接图检索需要在查询时访问图。我们比较了五种离线基于图的嵌入变换，以及在查询时不访问图的情况下，将生成的图修改嵌入与原始嵌入一起使用的策略。在一个具有完整支持证据集的合成职业网络基准上，直接替换原始嵌入会降低证据召回率。多阶段策略通过使用图修改嵌入来引导搜索，同时保留原始嵌入以维持语义相关性，从而提高了召回率。在需要关联事实或候选之间比较的问题上，最强的配置相对于普通向量检索将召回率提高了多达 25.9%。它还在返回节点数减少 40% 的情况下达到了基线召回率。对照实验证实，图信息的贡献超出了仅多阶段检索。在测试的方法中，检索性能更多地取决于如何使用图修改嵌入，而不是如何生成它们。

评论：	28 页，10 幅图，包括附录
主题：	信息检索（cs.IR）；人工智能（cs.AI）
引用为：	arXiv:2610.18410 [cs.IR]
	（或 arXiv:2610.18410v1 [cs.IR] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.18410 arXiv 颁发的 DOI 通过 DataCite（待注册）

提交历史

来自：Lazar Obradovic [查看电子邮件]
[v1] 2026年10月13日星期二 13:51:46 UTC（38 KB）

来源：arXiv cs.AI · arxiv.org