HyperRAG：通过超图推理n元事实以增强检索生成

基于图的检索增强生成（RAG）方法通常依赖于具有二元关系事实的知识图谱，在多跳开放域问答任务中表现出一定潜力。然而，其固定的检索方案和密集相似性搜索常引入无关上下文、增加计算开销并限制关系表达能力。相比之下，n元超图能够编码更高阶的关系事实，捕捉更丰富的实体间依赖关系，并实现更浅层、更高效的推理路径。为解决这一问题，本文提出HyperRAG，一种针对n元超图设计的RAG框架，包含两种互补的检索变体：HyperRetriever通过结构-语义推理构建查询条件下的关系链，支持准确的事实追踪、自适应高阶遍历和可解释的多跳推理；HyperMemory则利用LLM的参数化记忆指导束搜索，动态评分n元事实与实体以实现查询感知的路径扩展。在WikiTopics（11个封闭域数据集）和三个开放域问答基准（HotpotQA、MuSiQue和2WikiMultiHopQA）上的广泛评估验证了HyperRAG的有效性。HyperRetriever在整体答案准确性上表现最佳，平均MRR提升2.95%，Hits@10提升1.23%。定性分析进一步表明，HyperRetriever通过自适应且可解释的n元链构建弥合了推理差距，对开放域和封闭域问答均有帮助。