STEM：面向知识图谱驱动检索增强生成的结构追踪证据挖掘

基于知识图谱的问答（KGQA）在复杂推理任务中至关重要，但常受限于图谱结构异构导致的语义失配及现有方法缺乏全局结构视角。为此，本文提出结构追踪证据挖掘（STEM）框架，将多跳推理重构为模式引导的图搜索任务。首先设计语义到结构投影流水线，利用结构先验分解查询并构建自适应模式图；随后执行全局感知节点锚定与子图检索。此外，设计三重依赖图神经网络生成全局指导子图以优化构建过程。实验表明，STEM 显著提升了多跳推理图的准确率与证据完整性，在多个基准上达到最先进水平。