arXiv cs.CL· Yufeng Li, Zaijing Li, Fuchen Zhang, Zongzong Wu, Ming Zhao, Fengxiao Tang·· 12 小时前AI 评分31
ThreadRAG：用图拓扑与能量驱动寻路提升 RAG 上下文一致性
Graph Topology Meets Energy-Driven Pathfinding: Preserving Contextual Consistency in Retrieval-Augmented Generation
AI 导读
ThreadRAG 是一个基于语义拓扑的 RAG 框架，通过 Semantic Topology Mapper 将检索文档组织为上下文完整的 Semantic Nodes 并构建 Semantic Topology Graph，再用 Energy-Driven Pathfinding 经能量扩散定位查询相关子图并线性化为文本证据路径。
正文 · AI 翻译
摘要：检索增强生成（RAG）常将知识图谱（KG）集成用于复杂的多跳问答。然而，其性能日益受到知识结构化与推理过程的瓶颈制约。(i) 严重的语义损失：将连续文本蒸馏为离散符号会剥离上下文细微差别与叙事连贯性。(ii) 显著的模态不匹配：碎片化的图结构与 LLM 预训练所基于的连续文本相冲突，而将其改写为自然语言又会引入生成噪声并遗漏信息。为解决这些局限，我们提出 ThreadRAG，一个基于语义拓扑的 RAG 框架，用于保留上下文的知识结构化与模态原生的证据推理。ThreadRAG 引入语义拓扑映射器（STM），将检索到的文档组织为上下文完整的语义节点，并通过叙事、语义和词汇边构建语义拓扑图（STG）。它进一步结合能量驱动寻路（EDP），通过能量扩散识别与查询相关的子图，并将其确定性地线性化为连贯的文本证据路径。在三个多跳问答基准上的实验表明，ThreadRAG 始终优于强基线。值得注意的是，它在 HotpotQA 上相较以文本为中心的方法实现了 14.4% 的 EM 提升，在 2WikiMultihop 上以 5.8% 的 EM 超越最佳基线，同时将 token 成本降至最强基线的 23.3%。
| 评论： | 已被计算语言学协会 Findings：EMNLP 2026 接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29933 [cs.CL] |
| （或 arXiv:2610.29933v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29933 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yufeng Li [查看邮箱]
[v1]
2026年10月21日 星期三 16:05:44 UTC（549 KB）
来源：arXiv cs.CL · arxiv.org