HyperPatch：面向n元结构漂移的序列知识编辑

# n元结构漂移下的序列知识编辑
来源：https://arxiv.org/html/2606.03179
\(2026\)

###### 摘要

大型语言模型（LLMs）依赖知识编辑（KE）来维持时间有效性，然而现实世界知识本质上是n元的。我们证明，在非平稳环境中，对复杂关系的连续更新会引发**结构漂移**（Structural Drift），这是一种将n元事件二元化为三元组而破坏关系原子性的现象。这导致了**结构条件知识迁移失败**（Structure-Conditioned Knowledge Transfer Failure, SKTF），即检索器系统性错误定位，常被误诊为参数幻觉。为解决此问题，我们提出**HyperPatch**，一个参数保持框架，将序列KE重新表述为超图流形上的稳定性问题。HyperPatch通过三个阶段保持事件完整性：(i) **结构先验初始化**，通过在超图神经网络（HGNN）上进行对比学习，建立拓扑感知的嵌入空间，以捕获高阶相关性；(ii) **序列拓扑编辑**，利用双阶段机制，采用基于SimHash的拓扑对齐进行快速冲突解决，以及拓扑LoRA适配（Topological LoRA Adaptation）以在不重训练骨干网络的情况下跟踪漂移；(iii) **结构条件推理**，整合来自融合语言和结构流形的全局一致证据。在MQuAKE-CF和MQuAKE-T基准上，与最强基线相比，HyperPatch在逐跳准确率（H-Acc）上分别实现了96.24%和21.06%的相对提升。进一步的消融实验表明，在连续n元更新流下，HyperPatch具有优越的可靠性，而标准基于KG的变体因结构错位而遭受高达88.3%的H-Acc崩溃。我们的代码公开于https://github.com/Kevin20010912/HyperPatch.git。

知识编辑；超图编辑；n元关系；结构漂移；检索增强生成

††期刊年份:2026††版权:cc††会议:第32届ACM SIGKDD知识发现与数据挖掘会议V.2；2026年8月9–13日，韩国济州岛。††书籍标题:第32届ACM SIGKDD知识发现与数据挖掘会议V.2 (KDD 2026)，2026年8月9–13日，韩国济州岛††ISBN:979-8-4007-2259-2/2026/08††DOI:10.1145/3770855.3817820††CCS:计算方法 知识表示与推理††CCS:信息系统 语言模型††CCS:信息系统 问答系统

## 1. 引言

大型语言模型（LLMs）越来越多地被用作多跳问答（QA）流程中的生成器（Zhong 等，2023 (https://arxiv.org/html/2606.03179#bib.bib15)），其答案基于外部知识源（例如，检索到的文本或图事实）进行条件生成。在此类系统中，端到端的可靠性不仅取决于LLMs的参数化推理能力，还取决于所访问的外部知识是否保持最新，并且通过系统的表示和检索接口能否一致地访问。当事实发生变化时，一种实用的维护原语是**知识编辑**（KE）：执行局部更新以注入新事实，同时避免全局重训练并最小化附带更改（Meng 等，2022 (https://arxiv.org/html/2606.03179#bib.bib6), 2023 (https://arxiv.org/html/2606.03179#bib.bib7)）。理想情况下，KE促进了一种“干净契约”：新注入的事实应立即可用于下游推理，同时保持全局一致性。

参见图注 (a)
参见图注 (b)
参见图注 (c)

图1. n元结构漂移下的SKTF。(a) 因子化为二元边会破坏事件耦合并检索到碎片。(b) 二元行走会创建局部相似但全局无效的组合。(c) HyperPatch检索原子超边，在更新过程中保持事件一致性。

大多数先前的工作在*静态*机制下探讨了这一契约，隐含地假设知识表示和检索器的嵌入流形随时间保持对齐（Meng 等，2022 (https://arxiv.org/html/2606.03179#bib.bib6), 2023 (https://arxiv.org/html/2606.03179#bib.bib7)）。然而，实际部署会经历序列更新和模式演化，从而引入**结构漂移**（Gama 等，2014 (https://arxiv.org/html/2606.03179#bib.bib8)）。我们强调在此类漂移下的一种失效模式：**结构条件知识迁移失败**（SKTF）。当调节知识访问的拓扑结构（例如，复杂关系如何被因子化和连接）与检索器学习到的嵌入分布发生偏离时，就会引发SKTF。结果，尽管底层知识已被正确更新，系统仍可能检索到过时或结构上不兼容的证据，从而导致生成器错误定位，并产生自信的错误，这些错误常被归因于幻觉或参数冲突（Chen 等，2022 (https://arxiv.org/html/2606.03179#bib.bib9)）。我们认为，在n元结构变化下，这些错误主要反映了**检索流形错位**，而非推理能力的内在缺陷。

具体而言，SKTF源于事实作为*事件*产生的方式与其为检索而表示的方式之间的不匹配。现实世界的知识通常是n元的：一个事件联合绑定了多个实体、角色、属性和上下文限定符（Wen 等，2016 (https://arxiv.org/html/2606.03179#bib.bib10)）。相比之下，标准知识图谱（KG）流程通常将此类事件*投影*或*具体化*为一组二元三元组（Rosso 等，2020 (https://arxiv.org/html/2606.03179#bib.bib11)），以支持基于链接的存储和基于嵌入的检索。当模式和分布稳定时，这种近似通常是可以接受的，但在序列更新和实体/查询分布演化下，它变得脆弱。图1 (https://arxiv.org/html/2606.03179#S1.F1) 说明了两种漂移机制：(a) **事件因子化漂移**，将n元事件分解为松散耦合的边会削弱语义耦合。在分布变化（例如，2023年对球员资料的更新）下，检索器的邻域被重塑。诸如Ronaldo实体和Premier League关系等碎片可能在嵌入空间上保持邻近，尽管它们属于不同的底层事件。这产生了局部相关但*事件不完整*的证据（Thakur 等，2021 (https://arxiv.org/html/2606.03179#bib.bib12)），因为检索器无法再强制执行原始的n元约束。(b) **虚假多跳组合**，二元投影允许偶然的多跳路径，这些路径逐跳看起来合理，但在组合时无法形成有效的全局链（Min 等，2019 (https://arxiv.org/html/2606.03179#bib.bib13)）。在这两种情况下，检索返回的证据局部合理但全局不一致，因此生成器被错误定位，并非因为所需知识不存在，而是因为系统从漂移的二元代理中组装了一个无效的事件结构。

尽管SKTF具有紧迫性，但现有文献忽略了编辑的结构维度。**参数编辑**（Meng 等，2022 (https://arxiv.org/html/2606.03179#bib.bib6), 2023 (https://arxiv.org/html/2606.03179#bib.bib7)）能有效修改单跳事实，但在分布式证据上表现挣扎（Zhong 等，2023 (https://arxiv.org/html/2606.03179#bib.bib15)），并且在序列流下遭受灾难性遗忘（Kirkpatrick 等，2017 (https://arxiv.org/html/2606.03179#bib.bib16)）。相反，**检索增强编辑**（Mitchell 等，2022b (https://arxiv.org/html/2606.03179#bib.bib17); Han 等，2023 (https://arxiv.org/html/2606.03179#bib.bib18)）依赖于冻结的、密集的检索器，这些检索器对演化的图拓扑不敏感。这些方法假设嵌入空间与知识结构保持对齐，但这一假设在n元关系漂移时失效。目前，尚无框架显式建模序列编辑过程中**事件兼容性**的**稳定性**。这促使我们转向**超图**。与标准KG不同，超图将每个n元事件视为一个单一的**超边**，保留了耦合参与者和约束的原子单元（Feng 等，2019 (https://arxiv.org/html/2606.03179#bib.bib19); Haghighi 等，2024 (https://arxiv.org/html/2606.03179#bib.bib41)）。基于超图的检索增强生成（RAG）（Luo 等，2025 (https://arxiv.org/html/2606.03179#bib.bib35)）因此可以检索“事件一致单元”的证据，而不是任意的三元组链，从而减轻虚假组合（Edge 等，2024 (https://arxiv.org/html/2606.03179#bib.bib21)）。对编辑而言至关重要，超图允许在事件兼容性层面衡量漂移。如图1 (https://arxiv.org/html/2606.03179#S1.F1) (c) 所示，标准KG将上下文碎片化为漂移的三元组，而超边表示保持了结构完整性。这确保了对单个参与者的更新不会解耦相关上下文，为可扩展的序列知识编辑提供了稳健的基础。

在本文中，我们将序列知识编辑重新表述为n元结构漂移下的拓扑稳定性问题。我们认为，需要保持的主要对象是**事件兼容性流形**，即控制n元关系如何被检索和组合的潜在结构。为此，我们提出**HyperPatch**，一个参数保持框架，通过三项核心创新稳定超边表示：(i) **结构先验初始化**：为了缓解SKTF，我们通过HGNN和拓扑LoRA适配，将检索器的嵌入流形与演化的超图拓扑同步。通过将更新基于n元结构约束，这种免回放机制规避了序列编辑中固有的灾难性遗忘（Hartvigsen 等，2024 (https://arxiv.org/html/2606.03179#bib.bib22)），在知识库演化时保持稳健的结构锚点。(ii) **序列拓扑编辑**：为了大规模处理n元更新，我们实现了一个基于超边中心哈希的检索层。这促进了O(1)结构映射，用于快速超边替换或扩展，有效将更新延迟与累积编辑体积解耦。(iii) **结构条件推理**：为了实现抗漂移推理，HyperPatch动态整合检索流形与更新的n元拓扑。这促进了精确的实体定位和推理路径的一致遍历，即使在随机结构波动下也能保持多跳QA性能。

我们的贡献如下：

- • 我们将SKTF识别为动态多跳QA中的主导错误源，并提供了将检索漂移与n元设置下推理风险联系起来的理论边界。
- • 我们提出**HyperPatch**，这是第一个将超图结构先验集成到序列KE中的框架。通过保持事件完整性，HyperPatch稳健地缓解了破坏标准三元组编辑器的n元因子化漂移。
- • 在多跳基准上的评估表明，HyperPatch实现了优越的可靠性（H-Acc分别为96.24%和21.06%），并对分布变化保持鲁棒性，缓解了基于KG变体固有的42.9%–88.3%的H-Acc灾难性退化。同时，HyperPatch相较于竞争性知识编辑框架实现了25.9×的检索加速。

参见图注图2. HyperPatch的整体框架。

## 2. 预备知识

我们形式化定义n元知识的表示（第2.1节）、序列编辑设置（第2.2节）以及挑战当代系统的结构漂移（第2.3节）。

### 2.1. n元关系知识图谱

现实世界事件通常表现为n元关系约束，其中语义有效性取决于多个实体和属性的联合参与。

###### 定义2.0 (n元事实)：

n元事实f是一个原子元组f = (r, {v1, ..., vn})，其中r ∈ R是关系类型，{vi} ⊆ V是参与的实体。与二元三元组 (s, r, o) 不同，f是一个**拓扑单元**，其语义在二元因子化下会丢失。

为了保留这些高阶依赖关系，我们引入**知识超图**结构。

###### 定义2.0 (知识超图)：

知识超图H = (V, E)，其中V是实体顶点集合，E ⊆ 2^V \ {∅}是超边集合。每个超边e ∈ E代表一个n元事实f，通过连接所有{vi}参与者来保持事件原子性。

每个实体v ∈ V和超边e ∈ E关联一个文本描述x_v, x_e，通过编码器投影到结构感知的潜在空间，得到嵌入x_v, x_e ∈ R^{d_text}。集体表示形成文本嵌入矩阵X ∈ R^{N × d_text}，其中N = |V| + |E|。

### 2.2. 序列知识编辑

序列知识编辑（SKE）涉及连续的更新请求流Δ = {δ_1, ..., δ_T}。每个δ_t = (f_old → f_new) 是一个指令，将超图从H_{t-1}过渡到H_t。成功的SKE框架必须满足：

###### 定义2.0 (编辑请求)：

编辑请求δ_t是插入、删除或修改n元事实的指令，记为δ_t = (f_old → f_new)，其中f_new表示必须整合到超图拓扑中的目标知识状态。

序列知识编辑（SKE）的目标是将系统从状态S_{t-1}过渡到S_t，满足三个条件：

- • **可靠性**（编辑成功）：系统正确回答针对f_new的查询Q_edit，确保新知识被有效集成（Yao 等，2023 (https://arxiv.org/html/2606.03179#bib.bib26)）。
- • **局部性**（特异性）：系统在针对无关知识的查询Q_loc上保持性能，从而缓解序列学习中典型的灾难性遗忘（Kirkpatrick 等，2017 (https://arxiv.org/html/2606.03179#bib.bib16)）。
- • **结构稳定性**：检索机制适应H_t的演化拓扑，以防止检索漂移，这是静态检索增强编辑中常被忽视的挑战。

### 2.3. 问题形式化

SKE中的主要挑战是**结构漂移**。随着编辑累积，H_t的拓扑分布偏离检索器的原始训练先验D_0。这引发了**结构条件知识迁移失败**（SKTF），其中检索变得局部合理但对f_new结构无效。

###### 问题 (n元结构漂移下的SKE)：

给定初始超图H_0和编辑序列Δ，目标是更新H_0 → H_T，使得每个H_t在所有t上对f_new保持事件完整性。同时，系统必须使检索流形M_t与H_t的拓扑结构对齐，以最小化SKTF。