arXiv cs.CL· Jinyoung Park, Sanghyeok Lee, Omar Zia Khan, Hyunwoo J. Kim, Joo-Kyung Kim·· 11 小时前AI 评分24
HyperGraphPro：面向结构引导超图 RAG 的进度感知强化学习
HyperGraphPro: Progress-Aware Reinforcement Learning for Structure-Guided Hypergraph RAG
AI 导读
HyperGraphPro 是一个进度感知的超图 RAG 框架，将证据路径进展作为检索与策略优化的共同目标。检索端用查询条件的结构区分度对候选超边重排序，结合实体-查询相关性与局部-全局超图关联信号；策略优化端在轨迹级奖励之外加入步级进度感知优化，按答案引导的目标超边覆盖度分配步级奖励。多跳问答基准实验显示其推理准确率持续优于现有 GraphRAG 方法。
正文 · AI 翻译
摘要：多跳问答要求检索智能体在多个推理轮次之间构建一条连通的证据路径，而不是为单个查询检索孤立的相关证据。然而，在现有的 GraphRAG 方法中，检索与强化学习往往以不匹配的信号进行优化：检索由局部语义相关性驱动，而结果层面的强化学习通过评估最终答案来分配奖励，并未识别哪些检索动作推进了推理路径。我们提出 HyperGraphPro，一个进度感知的超图 RAG 框架，将证据路径进度作为检索与策略优化的共同目标。在检索方面，HyperGraphPro 使用以查询为条件的结构区分度对候选超边重新排序，将实体-查询相关性与局部对全局的超图关联信号相结合，以偏好当前图邻域中信息量大的实体。在策略优化方面，HyperGraphPro 以逐步进度感知的策略优化增强统一的轨迹级奖励分配，根据答案引导的目标超边覆盖率分配步级奖励。在多跳问答基准上的实验表明，HyperGraphPro 在推理准确率上持续优于现有 GraphRAG 方法。
| 评论： | 进行中 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2601.17755 [cs.CL] |
| （或 arXiv:2601.17755v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.17755 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jinyoung Park Dr. [查看邮箱]
[v1]
2026年1月25日周日 08:58:44 UTC（178 KB）
[v2]
2026年4月12日周日 14:35:33 UTC（138 KB）
[v3]
2026年11月5日周四 11:08:51 UTC（44 KB）
来源：arXiv cs.CL · arxiv.org