跳到主要内容

在线检索：事实种子与个性化 PageRank

本章讲什么： retrieve(query) 的四步——事实打分、识别记忆过滤、图上 PPR 扩散、排段落，以及"没事实就降级"的兜底。这是 HippoRAG 区别于普通向量 RAG 的核心。入口 HippoRAG.retrieve（src/hipporag/HippoRAG.py:418）。

1. 先看主循环​

每个问题，retrieve 只做四件事（HippoRAG.py:464-485）：

① get_fact_scores          问题向量 · 所有事实向量 → 每条事实一个分
② rerank_facts             取 top-5 候选，交大模型过滤 → top_k_facts
         │
     len==0 ? ──是──► dense_passage_retrieval  纯向量检索兜底，直接返回
         │否
③ graph_search_with_fact_entities   事实→种子权重→跑 PPR
④ _build_retrieval_result  取 PPR 排名前 num_to_retrieve 段

下面逐步拆。

2. 第①步：事实打分​

思路​

不是拿问题直接和"段落"比（那是普通 DPR），而是先拿问题和每一条三元组事实比相似度。为什么？因为事实是"结构化的关系陈述"，和"多跳问题里隐含的关系"更容易对上。

实现​

问题用两套指令分别编码（get_query_embeddings, HippoRAG.py:1398）：一套 query_to_fact（对事实）、一套 query_to_passage（对段落）。指令文本见 prompts/linking.py:1：

query_to_fact:    "Given a question, retrieve relevant triplet facts that matches this question."
query_to_passage: "Given a question, retrieve relevant documents that best answer the question."

打分就是点积 + min-max 归一化（get_fact_scores, HippoRAG.py:1434）：

# 示意，非源码（对照 HippoRAG.py:1466-1468）
scores = fact_embeddings @ query_embedding.T   # 每条事实一个相似度
scores = min_max_normalize(scores)             # 压到 [0,1]

3. 第②步：识别记忆（大模型过滤事实）​

要解决的小问题​

向量相似 ≠ 真相关。分最高的几条事实里，往往混着"词面像、逻辑上没用"的噪声。HippoRAG 借"海马体识别记忆"的隐喻，再加一道大模型过滤：从候选里挑出真正对回答有用的（rerank_facts, HippoRAG.py:1666）。

怎么做​

  1. 按分取 top linking_top_k（默认 5）条候选事实（HippoRAG.py:1690-1700）。
  2. 交给 DSPyFilter（rerank.py:15），它用一段 DSPy 优化过的 few-shot 提示 让大模型输出"过滤后"的事实子集，最多留 4 条。
  3. 大模型可能改写事实文本，所以用 difflib.get_close_matches 模糊匹配回原候选，还原成真实索引（rerank.py:122-125）。

提示长什么样​

识别记忆的系统提示很有意思——它用"高风险决策"话术压模型认真过滤（prompts/filter_default_prompt.py，best_dspy_prompt）：

# 系统提示节选（filter_default_prompt.py）
"...select up to 4 relevant facts from the provided candidate list
 that have a strong connection to the query... if no facts are relevant,
 return an empty list, {\"fact\": []}. You must only use facts from the
 candidate list and not generate new facts."

带的 few-shot 例子全是多跳问题（电影导演生卒、地理归属等），教模型"只留能搭起推理链的事实"。

降级：挑不到就退回向量检索​

如果过滤后一条事实都不剩（len(top_k_facts)==0），retrieve 直接返回纯向量检索（DPR）结果（HippoRAG.py:472-474）。这是关键的"安全网"：对于压根没有多跳结构的简单/长问题，HippoRAG 退化成普通 RAG，不会更差。这正是 README 说的"不牺牲简单任务性能"。

4. 第③步：个性化 PageRank —— 全项目的心脏​

直觉​

有了几条相关事实，就有了几个"入口实体"。现在要回答：从这些入口出发，图上哪些段落最该被读？ 答案不是"直接相连的"，而是"顺着关系扩散后，累计到的相关性最高的"。这就是 个性化 PageRank（PPR）：普通 PageRank 均匀随机游走，PPR 则让游走总是以一定概率跳回你指定的"种子"节点，于是分数集中在种子附近及其多跳邻域。

三件事：给谁赋权、怎么扩散、读哪段​

graph_search_with_fact_entities（HippoRAG.py:1551）干这三件事：

(a) 实体种子权重。 遍历过滤后的每条事实，把它的主语、宾语实体在图上找到，累加"事实分"作权重。巧妙处：权重要除以"该实体出现在多少个块里"（HippoRAG.py:1607-1608）——出现太广的实体（如"美国"）被降权，罕见实体被抬高，这是一个 IDF 式的抑制，避免热门实体主导扩散。

(b) 段落权重。 同时跑一遍向量检索（DPR），给每个段落节点一个分，乘以一个小系数 passage_node_weight=0.05 也加进种子（HippoRAG.py:1636-1642）。意思是：图联想为主（权重大），直接向量相似为辅（权重小），两路信号融合。

(c) 跑 PPR。 把实体权重 + 段落权重合成一个"reset 概率"向量，喂给 igraph 的个性化 PageRank（run_ppr, HippoRAG.py:1716）：

# 真实调用（HippoRAG.py:1743-1750）
pagerank_scores = self.graph.personalized_pagerank(
    vertices=range(len(self.node_name_to_vertex_idx)),
    damping=0.5,          # 阻尼：0.5 概率继续游走，0.5 跳回种子
    directed=False,
    weights='weight',     # 边权参与游走概率
    reset=reset_prob,     # 个性化：种子分布
    implementation='prpack',
)

扩散完，只取段落节点的分数、降序排列，就是最终该读的段落顺序（HippoRAG.py:1752-1754）。

一图看懂扩散​

  种子(事实里的实体)        PPR 扩散         落到段落
   [Leland Stanford]* ──事实边──► [Jane Stanford] ──段落边──► [段落: Jane...]
         │*                                                        ▲
     段落边                                                        │ 分数高
         ▼                                                    被扩散点亮
   [段落: Stanford 由...]（DPR 也给了它一点分）

  * = 有种子权重的节点；damping=0.5 让权重从种子向邻域蔓延两三跳

这就是多跳的实现：问题只和第一个实体相关，但 PPR 让相关性顺着"事实边→段落边"走到了第二篇文档。普通向量检索永远做不到这一步。

5. 第④步：出段落 → 问答​

_build_retrieval_result（HippoRAG.py:506）按 PPR 排名取前 num_to_retrieve（默认 retrieval_top_k=200）段。

问答阶段 qa（HippoRAG.py:813）只把前 qa_top_k（默认 5）段 拼进提示喂大模型，让它按 Thought: ... Answer: ... 格式作答，再从 Answer: 后面切出预测答案（HippoRAG.py:862）。

6. 进阶：IRCoT 多步检索​

单轮 PPR 已能覆盖多数多跳，但更难的题需要"边检索边推理"。retrieve_ircot（HippoRAG.py:514）实现 IRCoT：

检索一轮 → 让大模型基于当前段落想一步(reason_step) → 把"想法"当新 query 再检索
  → 合并两轮段落分数(取 max) → 直到大模型说 "So the answer is:" 或到步数上限

每步的"想一步"由 reason_step（utils/qa_utils.py:31）用数据集专属的 ircot_* 提示模板生成。多轮结果按段落分数取最大值合并（HippoRAG.py:544-547）。默认 max_qa_steps=1，即关闭 IRCoT，走单轮。

7. 本章小结​

在线检索的独特价值，全在"事实当种子 + PPR 扩散"这一招：

  1. 事实打分 + 识别记忆：先在结构化事实层面对上问题，再用大模型去噪，得到高质量种子。
  2. PPR 扩散：种子权重顺着图边蔓延，把"词面不相似但关系相关"的段落点亮——这是多跳能力的来源。
  3. 双路融合 + 降级：图信号为主、DPR 为辅；一旦没有可用事实就退回纯 DPR，守住简单任务的下限。

下一章深入种子权重的数学细节、识别记忆的实现取舍、边界，以及横向对比。