本教程详细解读了一个名为 Walk&Retrieve 的创新框架，该框架借助知识图谱（KG）自动生成语料，从而有效缓解大语言模型（LLM）在检索增强生成（RAG）过程中常见的“幻觉”问题。通过基于图遍历的语料生成与知识表示技术，该方案显著提升了答案的准确性与鲁棒性。下面我们将分步骤拆解其核心机制、实现流程以及实验表现。

1. 框架总览：Walk&Retrieve

Walk&Retrieve 的核心思路是：不再直接使用原始的文本语料，而是先从知识图谱中通过图遍历（随机游走或广度优先搜索）提取结构化路径，再将路径转换成 LLM 能够理解的文本句子，最后构建成索引库供检索问答使用。这种方法能够为零样本RAG（零样本检索增强生成）提供高质量、无幻觉的语料来源。

2. 语料生成（核心步骤）

语料生成是整个框架的基石。它从知识图谱中提取信息，并转化为适合 LLM 处理的文本格式。包含以下三个子步骤：基于图的遍历、知识表示和索引构建。

2.1 基于图的遍历

该步骤负责从知识图谱中提取节点和关系的序列。框架提供了两种遍历策略：随机游走和广度优先搜索（BFS）。

随机游走

• 原理：从一个节点出发，每次以均匀的概率选择当前节点的某个邻居节点进行移动，生成一条路径。重复多次形成语料库。
• 公式：对于每个节点 v，生成 k 条长度为 l 的随机游走路径 W_v。最终的语料库 C 是所有节点路径的集合。
• 优点：实现简单，特别适合大规模知识图谱场景。
• 缺点：容易产生重复路径和噪声，可能降低语料整体质量。

广度优先搜索（BFS）游走

• 原理：从根节点开始，逐层访问其邻居节点，构建层次结构。每层节点与根节点的最短路径距离相同，访问过程中确保每个节点只被访问一次。
• 公式：其中 d_max 是最大深度。
• 优点：避免了重复路径，生成的游走路径更加多样化，覆盖更全面。
• 缺点：计算复杂度较高，尤其在深度值较大时。