PolyUQuest可验证结构感知Web RAG系统
速览
PolyUQuest是一个基于异构图的可验证结构感知Web RAG框架，融合超链接拓扑、DOM层次和跨页面实体关系。它通过两级路由器将查询分配到三种结构匹配的检索模式。每个答案都附带来源页面、标题路径和实体链接，确保完全可追溯。在PolyU官网数据集上，它在准确性、覆盖率和忠诚度上优于现有RAG系统，且消耗更少LLM tokens。该系统即将部署为学生问答服务。
AI 深度解读
背景
传统检索增强生成（RAG）系统在处理网页时，通常将网页视为扁平文本，忽略了 HTML 中蕴含的结构信息和语义信号。例如，网页内的 DOM 层级关系、页面间的超链接拓扑以及跨页面的实体-关系知识，这些结构信息对理解复杂查询至关重要。然而，现有 RAG 方法无法有效利用这些结构，导致答案的准确性和可验证性不足。针对这一问题，香港理工大学（PolyU）的研究团队提出了 PolyUQuest——一种可验证的、结构感知的 Web RAG 框架，该框架基于异构图表征，统一了页面间的超链接拓扑、页面内的 DOM 层级以及跨页面的实体-关系知识。
核心内容
PolyUQuest 是一个构建在异构图上的结构感知 Web RAG 框架。该异构图将三种结构信息统一建模：
- 页面间的超链接拓扑（hyperlink topology between pages）
- 页面内的 DOM 层级结构（DOM hierarchy within pages）
- 跨页面的实体-关系知识（entity-relation knowledge across pages）
框架的核心是一个两级路由（two-tier router），它将每个查询路由到三种检索模式之一，匹配查询的结构需求：
- 直接块检索（direct block retrieval）：直接检索与查询相关的 DOM 块。
- 跨页面图遍历（cross-page graph traversal）：通过页面间的超链接图进行遍历检索。
- 多跳实体推理（multi-hop entity reasoning）：基于实体-关系图进行多跳推理。
每个答案都是完全可验证的：每个被引用的块都携带其来源页面、标题路径和实体链接，用户可以将任何声明追溯到其结构证据。
评估在 PolyU 官方网站上进行，包含 4,240 个页面、31,086 个 DOM 块、29,119 个实体和 37,680 条关系，同时构建了一个多类型评估基准。实验结果表明，PolyUQuest 在答案正确性、覆盖率和忠实度（faithfulness）上均优于现有 RAG 系统，同时每个查询消耗的 LLM token 数量显著更少。该演示提供了一个交互式界面，用于检查引用的答案、比较不同路由模式下的检索轨迹，以及探索证据图路径。PolyUQuest 正在准备部署为 PolyU 面向学生的 QA 服务。
关键要点
- 结构感知：PolyUQuest 利用 HTML 中的 DOM 层级、页面超链接图和实体-关系图，而非仅处理扁平文本。
- 异构图统一建模：三种结构信息（页面间拓扑、页内层级、跨页实体关系）被整合到一个统一的异构图中。
- 两级路由：路由机制根据查询的结构需求，将查询分发到三种检索模式（直接块检索、跨页面图遍历、多跳实体推理）之一。
- 完全可验证：每个答案块都附带来源页面、标题路径和实体链接，确保可追溯性。
- 显著性能提升：在 PolyU 官网数据集（4,240 页面、31,086 块、29,119 实体、37,680 关系）上，答案正确性、覆盖率和忠实度均优于现有 RAG 系统。
- 效率优势：每个查询消耗的 LLM token 数量显著减少。
- 交互式演示：提供界面用于检查答案、比较检索路径和探索证据图。
- 部署计划：正在准备部署为 PolyU 学生使用的问答服务。
意义与影响
PolyUQuest 的提出标志着 Web RAG 系统从“扁平文本”处理向“结构感知”处理的重要转变。通过将网页的结构信息（如 DOM 层级、超链接拓扑、实体关系）融入检索和生成过程，它显著提升了答案的准确性和可验证性，同时降低了 LLM 的 token 消耗。这种结构感知方法不仅适用于高校网站（如 PolyU），还能推广到任何具有丰富结构化内容的 Web 领域（如企业知识库、维基百科、电商网站等）。其可验证性设计（每个引用块携带来源路径）增强了用户对 RAG 系统输出的信任，为构建可靠、透明的人工智能问答系统提供了新范式。此外，PolyUQuest 作为面向学生的实际部署项目，验证了结构感知 RAG 在真实场景中的可行性和价值，为未来 Web 搜索和知识问答的落地提供了重要参考。