SeedER:让知识图谱检索从“相似度匹配”走向“结构化探索”

01|问题背景:知识图谱检索,难点不在“找相似”,而在“走路径”

知识图谱是一类非常适合承载结构化知识的数据形式。节点可以表示疾病、药物、基因、论文、作者、商品等实体;边则表示实体之间的关系,例如“药物治疗疾病”“基因参与通路”“论文引用论文”“商品属于某品牌”。

但作者指出,知识图谱检索的真正难点在于:

答案节点往往并不和查询文本直接相似,而是隐藏在一条关系路径之后。

例如,一个用户提出问题:

哪些药物通过胆碱能通路治疗阿尔茨海默病?

真正的答案可能是 Donepezil、Galantamine 等药物。它们和查询文本未必有明显词面重合,但它们可以通过类似下面的路径被找到:

Alzheimer’s disease → ACHE gene → cholinergic signaling pathway → Donepezil drug

这说明,知识图谱检索不是简单地把“查询”和“节点文本”做语义相似度匹配,而是需要沿着图中的关系进行多跳推理。

02|传统方法的瓶颈:Dense Retrieval 为什么不够?

目前常见的检索方法是 dense retrieval,也就是把查询和每个节点都编码成向量,然后按照余弦相似度或内积排序。

这种方式在普通文本检索中很有效,但作者认为它不适合处理知识图谱中的多跳组合查询。

原因很直接:

Dense Retrieval 试图用一次向量比较,完成一整条关系路径的推理。

这就会带来两个问题。

第一,语义相似度可能找得到起点,却找不到终点。比如查询中出现“阿尔茨海默病”,dense retriever 很可能能找到疾病节点;但真正的答案药物节点并不一定和查询文本直接相似。

第二,把节点邻域、关系描述、结构信息都塞进节点文本中,也只能缓解一部分问题。因为这种方式本质上还是局部增强,无法真正表示任意长度的多跳关系组合。

作者在理论部分给出一个重要判断:

对某些关系追踪型知识图谱查询,如果只依赖固定的查询向量和节点向量来判断相关性,dense retrieval 需要接近图规模的表示容量;而一个局部迭代式策略只需要学习每一步如何沿边走。

换句话说,dense retrieval 的问题不是“模型还不够大”那么简单,而是它的检索范式本身不适合多跳组合推理。

03|一个自然想法:从种子节点开始做 K-hop 扩展

既然 dense retrieval 不擅长直接找到最终答案,那它是否仍然有价值?

作者的答案是:有价值,但应该把它当成“起点发现器”。

也就是说,dense retrieval 可以先找出和查询最相似的一小批节点,例如疾病节点、论文主题节点、品牌节点等。然后系统再从这些种子节点出发,沿着知识图谱的边进行扩展。

但朴素的 K-hop 扩展会立刻遇到一个严重问题:

图的邻域增长太快,扩展两三跳之后,候选节点数量可能暴涨到数万甚至接近整个图。

为了解决这个问题,作者先构造了一个简单但有效的基线方法:K-hop-with-filtering。

它的做法是:

  • 从 dense retrieval 找到的种子节点开始;
  • 每一跳只考虑当前 frontier 的一跳邻居;
  • 用查询与源节点、关系、候选节点的相似度综合打分;
  • 每一跳只保留分数最高的一小批节点;
  • 最终形成一个受预算约束的候选集合。

这个方法已经比纯 dense retrieval 更好,尤其能提升 Hit@Any 和 Recall@Any 这类关注“是否把答案捞进候选集”的指标。

04|关键转折:为什么还需要“学习式扩展策略”?

虽然 K-hop-with-filtering 能控制候选规模,但作者指出,它仍然是一个贪心策略。

它的问题在于:每一步都偏向选择当前看起来最相关的节点。

但在知识图谱中,正确路径可能需要先经过一个“看起来不相关”的中间节点,之后才能到达真正有用的答案区域。

这就产生了所谓的 delayed reward 问题:

有些节点短期看没有收益,但长期看是通往答案的桥梁。

例如,一个中间基因节点或通路节点,单看文本可能和查询不够相似,但它正好连接着最终答案药物。贪心方法可能会跳过它,从而永远到不了答案节点。

作者因此提出:知识图谱检索中的扩展过程应该被看作一个序列决策问题。

这正是强化学习适合处理的场景。

于是,SeedER 的核心思想出现了:

不再固定地、贪心地扩展邻居,而是训练一个 query-conditioned 的图感知策略,让模型学习“下一步应该扩展哪些 frontier 节点”。

05|SeedER 方法:Seed-and-Expand 的三段式框架

SeedER 的名字本身就说明了它的主要流程:Seed + Expand + Rank。

第一步:Seeding the Core Set

作者首先使用轻量的 dense retrieval 找到一小批核心种子节点。

这些节点不一定是最终答案,但它们通常和查询强相关,可以作为后续图搜索的语义锚点。

例如,在医学知识图谱中,查询中提到某种疾病,dense retrieval 往往能找到疾病节点;之后真正的答案可能需要沿着疾病—基因—通路—药物的路径继续扩展。

第二步:Bounded Search Space Construction

直接在完整知识图谱上训练强化学习策略成本太高,因为一跳邻居可能很多,多跳后候选空间更大。

因此,作者先用 K-hop-with-filtering 从种子节点出发,构造一个中等规模的 query-specific su…

— 以上为试看内容(约 40%),开通会员后阅读全文 —