超越显式边：在噪声与稀疏知识图谱上的鲁棒推理

GraphRAG 常被用于将非结构化语料转化为图结构以支持多跳推理，但传统算法依赖静态连接和显式边，难以应对现实场景中噪声大、稀疏或不完整的知识图谱。为此，本文提出 INSES 框架，通过 LLM 引导的导航剪枝噪声并指引探索，结合基于嵌入的相似性扩展以恢复隐藏链接。此外，引入轻量级路由器平衡效率与深度，简单查询交由朴素 RAG，复杂案例升级至 INSES。实验表明，该方法在多个基准测试中优于现有 SOTA 方法，显著提升了推理的鲁棒性与准确率。