GraphSearch: 零样本图学习的智能体搜索增强推理

近年来，搜索增强的大规模推理模型（LRMs）通过检索外部知识减少了多步骤推理中的幻觉问题。然而，它们在处理如电子商务、社交网络和科学引用等领域的图结构数据方面仍缺乏研究。与普通文本语料库不同，图结构编码了丰富的拓扑信号，能够连接相关实体，并可作为有价值的先验信息用于检索，从而实现更精准的搜索和提高推理效率。然而，有效利用这种结构面临独特挑战，包括生成具有图表达能力的查询以及确保结构与语义相关性平衡的可靠检索。为解决这一问题，我们提出了GraphSearch，这是首个将搜索增强推理扩展到图学习的框架，能够在无需任务特定微调的情况下实现零样本图学习。GraphSearch结合了一个图感知查询规划器，该规划器将搜索空间（如1跳、多跳或全局邻居）与语义查询分离，并结合一个图感知检索器，该检索器基于拓扑结构构建候选集并使用混合评分函数进行排序。我们进一步实现了两种遍历模式：GraphSearch-R递归地逐跳扩展邻域，而GraphSearch-F则灵活地跨越局部和全局邻域进行检索，不受跳数限制。在多个基准测试中的广泛实验表明，GraphSearch在零样本节点分类和链接预测任务中表现优于监督图学习方法，达到最先进的结果。这些发现使GraphSearch成为一种适用于图上智能体推理的灵活且通用的范式。