CoTKR：链条思维增强知识重写用于复杂知识图谱问答
计算与语言
2025-11-21 v4
摘要
近期研究探索了将大型语言模型(LLM)与检索增强生成(RAG)用于知识图谱问答(KGQA)。它们通常需要将检索到的子图重写为LLMs可理解的自然语言格式。然而，在处理复杂问题时，现有方法生成的知识重写可能包含无关信息、遗漏关键细节，或未与问题语义匹配。为此，我们提出了一种新颖的重写方法CoTKR，即链条思维增强知识重写，通过交替生成推理痕迹和相应的知识来缓解单步知识重写的局限性。此外，为了弥合知识重写器与问答(QA)模型之间的偏好差距，我们提出了一种训练策略PAQAF，即从问答反馈中进行偏好对齐，以利用QA模型的反馈进一步优化知识重写器。我们使用各种LLM在几个KGQA基准测试上进行实验。实验结果表明，与以往的知识重写方法相比，CoTKR生成对QA模型最有益的知识表示，显著提高了LLMs在KGQA中的性能。
引用
@article{arxiv.2409.19753,
title = {CoTKR: Chain-of-Thought Enhanced Knowledge Rewriting for Complex Knowledge Graph Question Answering},
author = {Yike Wu and Yi Huang and Nan Hu and Yuncheng Hua and Guilin Qi and Jiaoyan Chen and Jeff Z. Pan},
journal= {arXiv preprint arXiv:2409.19753},
year = {2025}
}