TRACE: 基于时间证据图的对话数据状态感知查询处理

# TRACE：面向对话数据的时间证据图状态感知查询处理框架
来源：https://arxiv.org/html/2607.00339
Maolin Wang¹, Yu Wang¹, Zichun Liu¹, Baiyuan Qiu², Chenbin Zhang², Jiguang Shen², Haoran Yang³, Hao Miao⁴

###### 摘要

对话数据越来越多地被用作长期运行的助手和AI代理的用户状态持久化来源。然而，查询这些数据仍然充满挑战，因为对话会自然演变：计划被修改，偏好发生变化，后续消息经常取代或矛盾早期信息。现有的长期记忆流水线大多将记忆视为独立的文本或向量对象。这种方法常常检索到语义相似但过时的证据，对状态感知推理的支持有限。为了解决这个问题，我们提出了TRACE，一个面向演化对话数据的时间证据图查询处理框架。TRACE将对话建模为一个跨越事件、会话和主题的分层图，并丰富了类型化的时间、因果、更新和矛盾关系。关键的是，该框架维护有效性注释，使得过时的事实对于历史查询仍然可访问，但在回答当前状态时被折扣处理。在查询时，TRACE将基于向量的笔记检索与图引导的证据搜索相结合，生成有效性感知的支持路径和用于答案生成的混合上下文。这种设计将词汇召回与证据重构分离，从而在长期对话历史上实现有界的查询时推理。在长对话问答（QA）基准上的实验表明，TRACE改进了时间和多跳推理，消融研究突出了层次结构、更新感知种子化和路径基证据的重要性。源代码可在 https://github.com/MorinWang/TRACE 获取。

## I 引言

对话数据如今已成为个人助理、企业副驾驶、客服系统和自主AI代理的永久组成部分[44 (https://arxiv.org/html/2607.00339#bib.bib31),40 (https://arxiv.org/html/2607.00339#bib.bib32),28 (https://arxiv.org/html/2607.00339#bib.bib2),39 (https://arxiv.org/html/2607.00339#bib.bib3)]。与静态文档不同，这些数据捕获了变化的用户状态：偏好演变、计划改变、承诺过期，新消息经常更新或矛盾旧消息。查询此类数据需要的不仅仅是检索相关文本片段：系统必须识别哪些事实仍然有效，哪些是过时的历史，以及分散的证据片段如何连接。这些正是时间数据库和流处理所关注的问题[5 (https://arxiv.org/html/2607.00339#bib.bib51),2 (https://arxiv.org/html/2607.00339#bib.bib54),16 (https://arxiv.org/html/2607.00339#bib.bib38),36 (https://arxiv.org/html/2607.00339#bib.bib26)]，然而当前的对话记忆系统缺乏类似的机制来跟踪有效时间、传播更新和查询版本化状态。因此，长期对话问答是在时间性、异构性、持续演变的交互历史之上的数据管理挑战。未能解决这个问题会导致基于陈旧上下文的幻觉答案、遗漏更新、或因碎片化证据上的不连贯推理，最终在部署应用中损害用户信任和系统可靠性。

核心困难源于对话数据的存储方式与查询方式之间的不匹配。交互以线性的、带时间戳的消息流到达，而许多问题则需要重构的状态。用户可能分享一个旅行计划，后来改变目的地，最终询问当前的行程或决策背后的原因。准确回答取决于连接分散在多个会话中的事件：初始陈述、后续更新和最终结果。一个基于块的检索器可以拉取一个语义相关但过时的消息，从而错过改变答案的关键更新。用数据库术语来说，这是一个查询处理失败：由语义相似性诱导的访问路径到达了主题相关的证据，但不一定到达查询状态所需的权威性证据[35 (https://arxiv.org/html/2607.00339#bib.bib49),18 (https://arxiv.org/html/2607.00339#bib.bib50)]。因此，挑战超越了相关性估计；它需要时间有效性、证据链接、来源追踪和冲突处理，这呼应了数据库设置中查询必须在不完备或矛盾证据上返回可靠答案的情况[3 (https://arxiv.org/html/2607.00339#bib.bib46),9 (https://arxiv.org/html/2607.00339#bib.bib39),19 (https://arxiv.org/html/2607.00339#bib.bib45),15 (https://arxiv.org/html/2607.00339#bib.bib71),42 (https://arxiv.org/html/2607.00339#bib.bib72)]。

现有方法仅部分解决了这一挑战。密集检索和检索增强生成按相关性对独立段落进行排序，而非根据状态有效性[22 (https://arxiv.org/html/2607.00339#bib.bib10),24 (https://arxiv.org/html/2607.00339#bib.bib9)]。时间检索增加了时间约束，但通常将记忆单元保持为不连接的向量对象，而不是通过更新、矛盾和来源关系链接的记录[32 (https://arxiv.org/html/2607.00339#bib.bib43)]。长期记忆系统缓存、总结或组织历史事件到笔记和层次结构中[44 (https://arxiv.org/html/2607.00339#bib.bib31),40 (https://arxiv.org/html/2607.00339#bib.bib32)]，提高了召回率和压缩率，但可能模糊来源并掩盖时间基答案所需的更新轨迹。图增强检索和数据库关键词搜索在文本、图形状、结构化和半结构化数据上导出显式结构[25 (https://arxiv.org/html/2607.00339#bib.bib20),20 (https://arxiv.org/html/2607.00339#bib.bib62),11 (https://arxiv.org/html/2607.00339#bib.bib63),37 (https://arxiv.org/html/2607.00339#bib.bib64)]，但这些结构通常用于定位相关内容，而不是建模查询时的时间状态。因此，当前架构可以检索看似语义相关的内容，但无法确保它仍然具有权威性、最新性，并且与后续对话历史一致。

我们认为，一个理想的演化对话问答数据模型必须满足三个要求。首先，它必须保留*多粒度拓扑*：事件、会话和主题都应成为可查询单元，因为答案通常跨越多个层次。这连接了对话记忆与图和路径查询设置，其中答案由相关记录组合而成，而非来自单个元组或文档[30 (https://arxiv.org/html/2607.00339#bib.bib65),45 (https://arxiv.org/html/2607.00339#bib.bib66),26 (https://arxiv.org/html/2607.00339#bib.bib68)]。其次，它必须捕获*状态演变*：更新和矛盾应被显式建模，以便过时的事实可以被折扣处理而不被删除，这与时间数据和不确定世系范式一致[16 (https://arxiv.org/html/2607.00339#bib.bib38),36 (https://arxiv.org/html/2607.00339#bib.bib26),6 (https://arxiv.org/html/2607.00339#bib.bib69)]。第三，它必须支持*证据重构*：查询处理应生成连贯的支持路径而非孤立片段，使得答案可以追溯到证明它们的记录和转换[9 (https://arxiv.org/html/2607.00339#bib.bib39),19 (https://arxiv.org/html/2607.00339#bib.bib45),12 (https://arxiv.org/html/2607.00339#bib.bib70)]。满足这些要求需要在有界的在线开销下协调时间语义、图语义与向量检索，这呼应了变化证据下的自适应查询处理[4 (https://arxiv.org/html/2607.00339#bib.bib27),17 (https://arxiv.org/html/2607.00339#bib.bib29)]。

为了应对这些挑战，我们引入了TRACE，一个面向对话数据的时间证据图状态感知查询处理框架。TRACE从长期对话中构建了一个统一的证据图，其中带有状态的事件通过类型化的时间、因果、更新和矛盾关系连接，而会话和主题作为层次结构顶点。在查询时，TRACE将消息级检索与图引导的证据导航结合起来：文本通道保留了原始对话的召回能力，而时间图则产生有效性感知的路径，这些路径决定了检索到的证据应如何协调。这种设计保留了原始对话文本的保真度，同时利用结构化的证据层来推理当前状态、历史事实和多跳依赖关系。

本文的主要贡献如下：

- • 我们将查询时状态重构形式化为长期对话问答中的一个基础瓶颈，通过分析和实证展示了为什么当底层事实持续演变时，以相关性为中心的检索会失败。
- • 我们引入了一个时间证据图，将事件、会话和主题统一为一个连贯的分层拓扑，具有类型化的语义边、过时事实的时间有效性注释，以及更新和矛盾的显式建模原语。
- • 我们设计并实现了TRACE，一个模块化的离线-在线架构，集成了密集向量检索、层次种子扩展、有效性感知路径遍历、多信号融合评分以及用于有界、高效查询时推理的混合上下文组装。
- • 我们在长对话问答基准上进行了广泛的实证研究。通过严格的消融实验，我们分析了在时间、多跳、开放域和偏好驱动的工作负载上，图证据、结构层次和查询自适应推理的影响。

## II 方法论

TRACE维护两个互补的记忆结构：一个*笔记记忆* `N` 用于原始对话文本的词汇召回，以及一个*时间证据图* `G⋆` 用于结构化、状态感知的演变事实推理。笔记记忆保留了说了什么；证据图追踪当前仍然成立的内容以及事实如何跨会话因果连接。

图 1：离线图构建。从源于笔记记忆 N 的会话级摘要开始，TRACE 通过四个连续步骤产生证据图 G⋆：会话级事件提炼、通过候选门控的跨会话链接、时间和演化边推理，以及层次注入。

### II-A 问题形式化

令一个对话为一系列会话的序列

C = ⟨S_t⟩_{t=1}^T, S_t = ⟨m_{t,i}⟩_{i=1}^{n_t},   (1)

其中每条消息 m_{t,i} 携带说话者、内容和时间戳。给定一个在对话之后提出的查询 q，任务是产生一个基于 C 中证据的答案 ŷ。与标准的检索增强问答不同，这里的证据必须在时间演化下进行解释：如果两个检索到的段落冲突，系统必须确定哪一个反映了当前状态，而不是将两者视为同等有效。完整流水线总结在算法1 (https://arxiv.org/html/2607.00339#alg1) 中。

**算法1** TRACE 流水线

**输入:** 对话 C = ⟨S_t⟩_{t=1}^T, 记忆 N, 查询 q  
**输出:** 答案 ŷ  
1: // 离线：图构建 (§II-C (https://arxiv.org/html/2607.00339#S2.SS3))  
2: **for each** 会话 S_t **do**  
3:    (V_t^e, E_t^r) ← D_event(S_t)   ▷ 公式 (9 https://arxiv.org/html/2607.00339#S2.E9)  
4: **end for**  
5: 通过候选门控进行跨会话链接 A(e)   ▷ 公式 (10 https://arxiv.org/html/2607.00339#S2.E10)  
6: 推断时间与演化边 R_sup ∪ R_evo  
7: 注入层次：E_h ← Inc(E_S) ∪ Inc(E_T)   ▷ 公式 (8 https://arxiv.org/html/2607.00339#S2.E8)  
8: // 有效性传播 (§II-D (https://arxiv.org/html/2607.00339#S2.SS4))  
9: **for each** e_n →(updates) e_o **do**  
10:    v(e_o) ← 0; 传播到因果依赖者   ▷ 公式 (11 https://arxiv.org/html/2607.00339#S2.E11), (12 https://arxiv.org/html/2607.00339#S2.E12)  
11: **end for**  
12: // 在线：查询处理 (§II-E (https://arxiv.org/html/2607.00339#S2.SS5))  
13: V_q ← V_0(q) ∪ V_ent ∪ V_upd ∪ V_hier   ▷ 公式 (13 https://arxiv.org/html/2607.00339#S2.E13), (14 https://arxiv.org/html/2607.00339#S2.E14)  
14: Π ← 从 V_q 开始的有界双向遍历（带剪枝）  
15: **for each** 路径 π ∈ Π **do**  
16:    S(π) ← α·NS + β·PC + γ·TC + δ·UV   ▷ 公式 (16 https://arxiv.org/html/2607.00339#S2.E16)  
17: **end for**  
18: // 上下文组装与生成 (§II-F (https://arxiv.org/html/2607.00339#S2.SS6))  
19: 在预算 B_total 下组装 C_note, C_path   ▷ 公式 (21 https://arxiv.org/html/2607.00339#S2.E21)  
20: 通过查询形状选择答案计划 p_q  
21: ŷ ← A(q, C_note, C_path, p_q)   ▷ 公式 (3 https://arxiv.org/html/2607.00339#S2.E3)  
22: **返回** ŷ

TRACE 维护一个复合记忆状态

M = (N, G⋆).   (2)

N 保留原始对话文本并支持密集检索；G⋆ 编码事实如何在时间上彼此关联、支持和取代。查询通过结合从两者中抽取的相关信息来回答：

ŷ = A(q, C_note, C_path, p_q).   (3)

C_note 是从 N 中获取的词汇上下文，提供原始用户话语的直接文本依据；C_path 是从 G⋆ 中获取的基于路径的证据，提供关系结构和时间有效性状态；p_q 是一个特定于查询形状的答案计划。这种分离是有意为之：笔记记忆使答案生成立足于原始对话文本，而证据图确保检索到的证据在时间演化和取代关系方面得到正确解释。

### II-B 时间证据图

对于单跳事实查找，扁平的事件列表就足够了，但长对话查询经常需要推理相关事实链。理解事件 A 导致事件 B，而事件 B 后来被事件 C 更新，这需要显式的关系结构。此外，查询操作在不同粒度上：有些询问特定事件，有些询问会话结果，有些询问跨多个会话的主题。因此，TRACE 将证据表示为一个类型化的有向图，具有三类顶点：

G = (V, E), V = V_e ∪ V_s ∪ V_t, E = E_r ∪ E_h.   (4)

*事件顶点* V_e 是事实内容的原子单元；*会话顶点* V_s 保存对话