GraphReAct: Reasoning and Acting for Multi-step Graph Inference
作者: Xingtong Yu, Zhongwei Kuai, Chang Zhou, Xuanting Xie, Renhe Jiang, Xikun Zhang, Hong Cheng, Xinming Zhang, Yuan Fang
分类: cs.AI
发布日期: 2026-05-08
备注: Under review
💡 一句话要点
提出GraphReAct框架，通过推理与行动交替机制实现图结构数据的多步推理
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 图学习 大语言模型 推理与行动 多步推理 图神经网络 上下文优化 信息检索
📋 核心要点
- 现有图学习方法难以在复杂图结构中进行动态、多步的信息检索与推理，且缺乏对累积上下文的有效管理。
- GraphReAct通过引入拓扑检索、语义检索及上下文优化动作，实现了推理与行动的交替，动态扩展并精炼推理上下文。
- 在六个基准数据集上的实验证明，该方法显著超越了现有图学习基线，验证了推理-行动范式在处理图数据时的优越性。
📝 摘要（中文）
推理-行动（Reasoning-acting）框架通过将推理与行动交织，增强了大语言模型（LLM）动态获取信息的能力。然而，将该范式扩展至图学习领域的研究尚不充分。图数据具有内在的结构性，信息分布在节点与边中，并由拓扑结构和潜在表征共同编码。因此，有效的图推理不仅需要从图中检索信息证据，还需要在多步推理过程中逐步优化累积的上下文。本文提出了GraphReAct，一种支持图结构数据逐步推理的框架。我们设计了一个包含两种互补检索动作的图动作空间：拓扑检索（捕获局部结构依赖）和语义检索（访问表征空间中非局部但相关的证据）。此外，我们引入了上下文优化动作，将累积信息提炼为紧凑表征。通过交替进行推理、检索与优化，该框架实现了从上下文扩展到压缩的渐进式转换。在六个基准数据集上的实验表明，GraphReAct持续优于现有先进方法，验证了推理-行动范式在图学习中的有效性。
🔬 方法详解
问题定义：论文旨在解决图学习中复杂推理任务的挑战。现有方法通常依赖固定的图神经网络传播，难以处理需要多步动态信息获取的复杂查询，且在推理过程中缺乏对上下文信息的动态筛选与压缩机制。
核心思路：引入推理-行动（ReAct）范式，将图推理过程建模为一系列交替的“推理-行动”步骤。通过设计专门的图动作空间，使模型能够根据当前推理状态主动选择检索路径或优化上下文，从而实现从海量图数据中提取关键证据。
技术框架：框架包含三个核心模块：推理引擎（基于LLM）、动作空间（包含拓扑检索、语义检索、上下文优化）以及上下文管理器。模型在每一步推理后，根据当前状态决定执行检索动作以获取新证据，或执行优化动作以压缩现有信息。
关键创新：提出了双重检索机制：拓扑检索利用邻接关系获取局部结构信息，语义检索利用向量相似度获取全局相关信息；同时引入上下文优化动作，通过信息蒸馏机制防止推理过程中的上下文冗余与噪声干扰。
关键设计：设计了结构化的动作空间接口，允许模型通过自然语言或特定指令调用图操作算子。上下文优化过程采用了一种信息提炼策略，将多步检索到的异构证据转化为紧凑的语义表示，确保模型在长链条推理中保持高效的注意力分配。
🖼️ 关键图片
📊 实验亮点
GraphReAct在六个主流图学习基准数据集上进行了广泛评估，结果显示其在多步推理任务中表现优异，性能指标持续超越现有的图神经网络及基于LLM的图推理基线。实验证明，通过引入上下文优化动作，模型在处理长推理链时有效降低了噪声干扰，提升了推理效率与准确度。
🎯 应用场景
该研究适用于需要复杂逻辑推理的图数据分析场景，如知识图谱问答、社交网络关系挖掘、药物分子性质预测及推荐系统中的多跳路径解释。其动态信息获取能力能显著提升模型在处理大规模、异构图数据时的决策准确性与可解释性。
📄 摘要（原文）
Reasoning-acting frameworks enhance large language models (LLMs) by interleaving reasoning with actions for dynamic information acquisition. However, extending this paradigm to graph learning remains underexplored. Graph data is inherently structured, with information distributed across nodes and edges and encoded through both topology and latent representations. As a result, effective reasoning over graphs requires not only retrieving informative evidence from the graph, but also progressively refining the accumulated context during multi-step inference. In this work, we propose GraphReAct, a graph reasoning-acting framework that enables step-by-step inference over graph-structured data. Specifically, we design a graph-based action space with two complementary retrieval actions: topological retrieval, which captures local structural dependencies, and semantic retrieval, which accesses non-local but relevant evidence in the representation space. These actions dynamically expand the reasoning context. To further support multi-step reasoning, we introduce another type of action, context refinement, which distills and reorganizes accumulated information into a compact representation. By interleaving reasoning with both retrieval and refinement actions, our framework enables a progressive transition from context expansion to compression. Extensive experiments on six benchmark datasets demonstrate that GraphReAct consistently outperforms state-of-the-art methods, validating the effectiveness of reasoning-acting for graph learning.