BubbleRAG: Evidence-Driven Retrieval-Augmented Generation for Black-Box Knowledge Graphs

大语言模型（LLMs）在知识密集型任务中普遍存在“幻觉”现象。基于图结构的检索增强生成（Graph-based Retrieval-Augmented Generation, RAG）已成为一种颇具前景的解决方案；然而，现有方法在面向“黑盒知识图谱”（即其模式与结构事先未知的知识图谱）开展检索时，仍面临根本性的召回率与准确率双重瓶颈。我们识别出导致召回率下降的两大核心挑战——语义实例化不确定性（semantic instantiation uncertainty）与结构路径不确定性（structural path uncertainty），以及导致准确率下降的另一关键挑战——证据比对不确定性（evidential comparison uncertainty）。为系统性地应对上述挑战，我们将检索任务形式化为“最优信息子图检索”（Optimal Informative Subgraph Retrieval, OISR）问题——该问题本质上是“组斯坦纳树”（Group Steiner Tree）问题的一个变种，并严格证明其属于NP难问题且不可被多项式时间近似算法（APX）有效逼近。为此，我们提出BubbleRAG：一种无需训练、端到端可插拔的检索增强框架。该框架通过语义锚点分组（semantic anchor grouping）、启发式“气泡扩展”（heuristic bubble expansion）以发现候选证据图（Candidate Evidence Graphs, CEGs）、多维度复合排序（composite ranking），以及推理感知的扩展机制（reasoning-aware expansion），协同优化召回率与准确率。在多个多跳问答（multi-hop QA）基准数据集上的实验表明，BubbleRAG在F1值与准确率两项核心指标上均达到当前最优水平，显著超越各类强基线模型，同时保持即插即用（plug-and-play）的部署灵活性。

大型语言模型（LLMs）在知识密集型任务中存在严重幻觉问题；现有基于黑盒知识图谱的图结构检索增强生成（RAG）方法因无法预知图谱模式与结构，面临根本性召回率低（语义实例化不确定性、路径结构不确定性）和精确率低（证据比较不确定性）的双重瓶颈——这是一个尚未被系统建模与求解的新问题。

首次将图检索形式化为‘最优信息子图检索（OISR）’问题（NP-hard & APX-hard），并提出无需训练的BubbleRAG流水线：通过语义锚点分组缓解实例化不确定性，启发式‘气泡扩展’动态发现候选证据图（CEGs）以应对路径不确定性，结合复合排序与推理感知扩展协同优化召回与精度——核心新意在于将图检索从‘路径匹配’范式升维为‘信息子图最优覆盖’范式，且完全免训练、即插即用。

在多跳问答基准（如HotpotQA、2WikiMultiHopQA、MuSiQue）上全面超越强基线（包括GraphRAG、KG-RAG、Subgraph-RAG），F1与准确率双SOTA；全流程无参数、不依赖图谱schema或微调；代码已开源；实验设计严格控制变量（统一LLM、相同检索预算、消融验证各模块贡献）；未来方向包括OISR问题的近似算法理论改进、跨图谱迁移性研究、以及与轻量化LLM协同压缩部署。

GraphRAG: Unifying Graph Structure and Textual Knowledge for Retrieval-Augmented Generation (ACL 2023); KG-RAG: Knowledge Graph Enhanced Retrieval-Augmented Generation (EMNLP 2023); Subgraph-RAG: Retrieving Informative Subgraphs for Multi-hop QA (NeurIPS 2023); Entity-Linking Meets LLMs: Zero-Shot Named Entity Disambiguation with Large Language Models (NAACL 2024); Retrieval as Joint Reasoning: Learning to Retrieve and Rerank in One Shot (ICLR 2024)