Hybrid Graph Context Compression — arXiv:2604.23277
核心贡献¶
本文提出一种训练无关、模型无关的压缩框架，通过结构化图先验选择紧凑句子集合。核心方法：
- 构建稀疏混合句子图，结合互 k-NN 语义边与短程序列边
- 通过聚类提取主题骨架（topic skeleton）
- 使用可解释评分排名句子，整合：任务相关性、簇代表性、桥接中心性、循环覆盖线索
- 带冗余抑制的预算贪婪选择，以原始顺序生成可读压缩上下文
为什么重要¶
现有压缩方法依赖训练压缩器、稠密检索风格选择或启发式剪枝，在严格 token 预算下难以同时保持任务相关性、主题覆盖和跨句连贯性。本方法通过结构化图先验解决了这一问题。
与端侧/移动端相关性¶
- 训练无关：可直接部署，无需额外训练或微调
- 推理效率：长文档基准上性能提升显著
- 可解释性：评分机制透明，便于理解和调试
方法论¶
图构建¶
- 语义边：互 k-NN 语义相似度
- 序列边：短程上下文邻近
句子排名¶
可解释评分 = 任务相关性 × 簇代表性 × 桥接中心性 × 循环覆盖
压缩选择¶
预算贪婪算法 + 冗余抑制机制
实验结果¶
在四个数据集上与强基线对比，结果显示： - 提取式和抽象式基线均被超越 - 长文档基准上增益更大 - 保持跨句连贯性
参考文献¶
（参考文献待从原文补充）