arXiv cs.AI· Zafer Sahinoglu, Abdulazeez Mohammed, Buse Yaren Kazangirler, Cahit Berkay Kazangirler·· 12 小时前AI 评分31
SpectRAG：面向多跳 RAG 的加权块图谱与 Token 预算上下文选择
SpectRAG: Weighted Chunk Graphs for Token-Budgeted Context Selection in Multi-Hop Retrieval-Augmented Generation
AI 导读
SpectRAG 提出一种图谱增强检索框架，通过混合候选种子、加权块图谱构建、图谱扩展与谱相关性传播，在固定 token 预算下组装上下文。该框架在 MultiHopRAG、UltraDomain 和长文档问答实验中提升了广谱证据召回率，生成质量与 dense、hybrid、HyDE、LightRAG、NaiveRAG 基线相比具有竞争力。
正文 · AI 翻译
摘要：检索增强生成（RAG）系统通过检索外部证据并基于检索到的上下文进行条件生成，为大型语言模型（LLM）提供依据。尽管稠密检索在局部语义匹配方面有效，但独立排序的检索可能返回冗余段落、遗漏跨块依赖关系，并为多跳推理提供不完整的证据。我们提出 SpectRAG，一种谱图增强的检索框架，它结合了混合候选种子生成、加权块图构建、基于图的扩展、谱相关性传播以及令牌预算受限的上下文选择。文档块由稠密语义嵌入和从加权块图导出的图谱坐标表示，该图的边编码了语义相似度、文档邻接关系、章节层级、共享实体、引用链接以及 LLM 生成的效用问题之间的相似度。在查询时，SpectRAG 使用精确内积搜索和混合相关性信号构建高召回率的种子集，在块图上对其进行扩展，利用图邻近度和谱信息对候选重新评分，并在固定的令牌预算下组装最终上下文。其目标不仅仅是检索单个相似的块，而是构建一个相关、多样、结构连通且足以支撑有依据推理的上下文。在 MultiHopRAG、UltraDomain 以及长文档问答设置上的实验表明，SpectRAG 改善了广泛证据的召回，并在生成质量上与稠密、混合、HyDE、LightRAG 和 NaiveRAG 基线相比具有竞争力。结果进一步表明，图谱结构对于面向推理和跨文档检索尤为有用，同时凸显了在早期精确率、计算成本和领域相关性能方面的权衡。
| 评论： | 26 页，5 幅图，10 张表。本工作拟投稿至 IEEE 期刊 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；信息检索（cs.IR） |
| ACM 分类： | H.3.3；I.2.7 |
| 引用为： | arXiv:2610.36991 [cs.AI] |
| （或 arXiv:2610.36991v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.36991 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Buse Yaren Kazangirler M.Sc. [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 10:38:29 UTC（2,873 KB）
来源：arXiv cs.AI · arxiv.org