面向大规模知识图谱的 LLM 指导查询感知推理系统
机器学习
2026-04-21 v2 数据库
摘要
对于大规模知识图谱(KGs)上的图神经网络(GNNs)进行高效推理，对许多实际应用至关重要。GNN 推理查询计算代价高昂且复杂度各异，因为每个查询都涉及不同数量的目标节点，这些节点链接到结构和密度各异的子图。现有的加速方法，如剪枝、量化和知识蒸馏，实例化较小的模型，但无法针对单个查询的结构或语义进行调整。它们还将模型存储为单一文件，必须完整加载，同时错失仅检索与目标节点语义相关的相邻节点和相应模型组件的机会。这导致大规模 KGs 中的数据加载过度和冗余计算。本文提出 KG-WISE，一种面向大规模 KGs 的任务驱动推理范式。KG-WISE 将训练好的 GNN 模型分解为可基于查询子图结构部分加载的细粒度组件。它采用大语言模型(LLMs)生成可复用的查询模板，从而为每个任务提取语义相关的子图，实现查询感知和紧凑模型实例化。我们在六个大规模 KGs 上进行评估，节点数最高可达 4200 万，边数最高可达 16600 万。KG-WISE 在各种大型语言模型中实现了最高可达 28 倍的加速，内存使用降低最高可达 98%，同时在保持或提高准确率方面表现出色。
引用
@article{arxiv.2603.04545,
title = {An LLM-Guided Query-Aware Inference System for GNN Models on Large Knowledge Graphs},
author = {Waleed Afandi and Hussein Abdallah and Ashraf Aboulnaga and Essam Mansour},
journal= {arXiv preprint arXiv:2603.04545},
year = {2026}
}
备注
14 pages, 11 figures