作者信息
德克萨斯农工大学
研究背景
- RAG技术现状：检索增强生成（RAG）通过外部检索知识增强大语言模型生成效果，早期以非结构化文本检索为主，后续引入图结构知识表示提升推理与事实一致性。
- 传统图RAG局限：普通知识图仅能表示二元关系，无法建模多实体高阶交互，易造成信息丢失与推理碎片化。
- 超图RAG不足：现有超图RAG将超边视为静态事实，检索时不考虑交互顺序与演化过程，属于排列不变性检索，无法适配依赖时序、因果与过程的推理任务。
- 现实任务需求：热带气旋、港口运营等场景的推理结果，不仅依赖交互内容，更依赖交互发生的顺序，现有方法无法满足该类顺序敏感型任务。
研究目的
- 打破现有RAG将检索证据视为无序集合的核心假设，解决排列不变性检索与顺序敏感型推理任务不匹配的问题。
- 提出将顺序作为核心结构属性的超图RAG框架，实现对知识高阶交互与交互时序的统一建模。
- 将检索从“独立事实选择”重构为“连贯交互轨迹推理”，让大模型能够基于有序证据链完成过程化、因果化推理。
- 在热带气旋-港口影响评估等领域任务中，验证顺序感知超图检索对生成质量与推理准确性的提升效果。
本文核心贡献
- 提出顺序感知知识超图表示：将高阶交互与优先顺序结构融合，突破传统超图仅建模静态关系的局限，完整保留知识的时序与逻辑顺序。
- 重构检索范式：将传统集合式检索改为超边上的轨迹推理，显式建模证据序列的重要性，而非仅关注检索内容相关性。
- 无显式时序监督的顺序学习：设计可学习的转移模型，从数据中自动学习超边间的优先关系，无需人工标注时序信息。
- 验证顺序核心价值：通过实验证明，检索证据的排列顺序直接决定推理质量，顺序感知设计是性能提升的关键因素。
研究方法
1. 顺序感知知识超图构建与顺序学习
- 知识超图构建：以实体为节点、超边为高阶交互单元，通过大模型进行N元关系抽取，保留多实体依赖的完整语义。
- 实体类型划分：分为持久对象（港口、气旋）、瞬时状态（气旋等级）、时间锚点（T-48）三类，支撑时序与结构建模。
- 优先顺序学习：采用双线性转移模型
Pθ(ej|ei)，通过对比损失自监督学习，利用文档顺序、实体重叠、检索偏好三类信号训练，无需显式时序标注。
2. 顺序感知超图检索
- 检索目标：最大化相关性+顺序连贯性+优先一致性+实体连续性+阶段覆盖度，获取最优有序超边轨迹。
- 推理算法：采用束搜索（Beam Search）生成有序轨迹，小候选集使用维特比动态规划精确优化。
- 多轨迹检索：返回多条多样化轨迹，为生成提供多路径解释与互补证据。
3. 检索增强生成
- 将检索到的有序轨迹以带步骤索引、时间标签、阶段标注的结构化形式输入生成器，避免扁平化拼接丢失顺序信息。
- 支持单提示多轨迹交叉参考与置信度加权聚合两种生成模式，保障生成的事实准确性与推理逻辑性。
4. 实验设计
- 数据集：CyPortQA（热带气旋-港口运营QA基准，2917个场景、117178个问题）。
- 基线方法：Text-RAG、GraphRAG、HyperGraphRAG。
- 评估指标：判断题/选择题精确匹配、简答题容差精度、描述题LLM语义评分。
- 消融实验：打乱顺序、移除顺序相关模块、对比无顺序/启发式顺序/学习顺序。
研究结果
- 整体性能最优：OKH-RAG在四类问题（TF/MC/SA/TD）及整体准确率上均超过所有基线，整体准确率达0.534，高于HyperGraphRAG的0.511。
- 顺序是核心增益源：将OKH-RAG检索结果打乱顺序后，整体准确率从0.534降至0.487，降幅最大，证明顺序对推理至关重要。
- 模块有效性：优先一致性、阶段覆盖、实体连续性、顺序连贯性均对性能有正向贡献，其中优先一致性与阶段覆盖影响最显著。
- 学习顺序最优：性能排序为学习顺序 > 启发式顺序 > 无顺序，验证可学习转移模型优于固定规则。
- 任务自适应：跨时间推理任务优先跨阶段轨迹，单阶段事实任务聚焦局部紧凑轨迹，适配不同查询的推理需求。
总结与展望
本研究推翻了RAG领域“检索证据可视为无序集合”的核心假设，提出OKH-RAG框架，将顺序作为核心结构属性融入超图RAG，实现高阶知识交互与时序关系的统一建模。实验证明，在顺序敏感的领域推理任务中，证据的组织顺序与内容本身同等重要，顺序感知轨迹检索可显著提升大模型的推理准确性与事实一致性。
展望
- 可将该框架拓展至科学发现、临床诊断、工程故障分析等更多顺序依赖型领域。
- 进一步优化顺序学习与轨迹检索算法，提升大规模知识图谱上的效率与可扩展性。
- 结合动态知识更新，实现实时时序知识的顺序感知检索与生成。
- 探索多模态知识（文本、图像、数值）的顺序感知超图建模，适配多模态复杂推理任务。
