摘要
多跳问答任务需要从分布式的文本段落中发现相互关联的事实和实体关系，并构建完整的证据链来支持最终答案。现有的基于图谱的检索增强生成方法通常依赖于有限的初始检索结果或语义锚点来进行图谱扩展，这使得证据发现容易受到锚点覆盖范围、候选生成策略以及早期过滤决策的影响。为了解决这些挑战，我们提出了PARM框架，该框架在图谱推理之前引入了段落级别的证据锚点。具体来说，PARM首先通过词汇检索和语义重排序来识别相关段落，然后将问题实体与段落中的实体关联起来，以构建互补的图谱搜索锚点。随后，在预定义的跳数和路径预算范围内进行有限的多跳图谱搜索，以生成明确的关系路径。生成的路径通过联合建模语义相关性、问题与关系的兼容性以及图谱结构信息来进行进一步排序。最后，选定的段落、关系路径和来源信息被组织成一个可追溯的证据包，用于生成答案。我们在MuSiQue和2WikiMultiHopQA两个基准测试平台上进行了大量实验。在2WikiMultiHopQA的三个固定1000个问题的子集上，相对于QASA方法，PARM将平均EM分数从0.3403提高到了0.3963，平均词级F1分数从0.3879提高到了0.4676。
