SeedER：用于高效知识图谱检索的种子选择—扩展—检索

arXiv:2605.23753v2 公告类型：替换 摘要：知识图谱（KG）为关系知识提供了丰富的表示，但其不规则结构使检索面临挑战：自我中心图的扩展规模增长迅速，而稠密嵌入方法难以处理多跳组合查询。一些方法使用 LLM 智能体探索知识图谱、分析候选节点，并决定下一步探索的位置。这些方法虽然表达能力强，却可能带来高昂的计算和内存开销。另一方面，我们从理论上证明，即使加入增强的结构信息和邻域感知特征，为图节点预先计算的稠密嵌入也可能需要与图规模相当的嵌入维度，才能回答某些类别的知识图谱查询。在特定条件下，查询自适应嵌入可以克服这一限制，某些图神经网络（GNN）变体也能做到这一点。然而，使用 GNN 处理整个图同样可能带来高昂的内存和计算开销，而且需要稠密的真实标签来指示每个节点是否为查询的答案。直接选取锚节点周围的 $k$ 跳子图也可能存在问题：较小的 $k$ 会限制可见节点的范围，而即使 $k$ 仅为三或四，$k$ 跳子图的规模也可能大幅增长。在这项工作中，我们设计了一种使用 Graph Transformers 和强化学习的新方法，其内存和计算需求显著降低，可在推理时作为第一阶段检索器在 CPU 上运行，且训练时每次仅需少量节点的反馈。我们表明，该方法的性能可与通过微调 LLM 从知识图谱中检索信息的方法相媲美。我们将该方法命名为 SeedER（Seed-Expand-Retrieve），并将其主要定位为一种可在有限计算资源下运行的第一阶段检索器。