KAMR: Grounding Generation via Knowledge-Aligned Multi-hop Retrieval
面向知识对齐的多跳检索增强生成
🧭 知识图谱多跳检索与对齐学习
The Pennsylvania State University · University at Albany, State University of New York · Stony Brook University, State University of New York
区分锚点与链接三元组，通过全局召回与局部扩展提升图多跳检索的证据完整性
📌 工作参考价值（3 点）
- 知识图谱驱动的商品多跳问答：在电商场景构建商品-属性-类目等知识图谱后，可借鉴 KAMR 的“先全局检索锚点三元组，再沿图局部扩展收集弱相关证据”的两阶段策略，解决复杂查询（如“适合油皮的平价控油粉底液有何副作用？”）需要组合多条知识才能回答的问题。
- 弱对齐事实的补救机制：采用对比学习 pair-level 与 element-level 匹配，配合 LLM 掩码生成部分对齐数据的训练方式，能有效召回语义上弱相关但结构必要的三元组，适合推荐系统中低频长尾属性（如冷门成分）的补全。
- 支持 Agent 的推理链路构建：在 Agent 需调用知识库进行多步推理时，该检索方法可输出有序的证据链，增强答案的可解释性，尤其适用于合规审查、导购解释等场景。