DAMR：基于LLM引导的自适应上下文感知知识图谱问答
计算与语言
2025-09-29 v4 人工智能
摘要
知识图谱问答(KGQA)旨在解释自然语言查询，借助其关系和语义结构在知识图谱上进行结构化推理，以检索准确答案。现有方法主要遵循检索后推理范式，依赖图神经网络或启发式规则提取静态候选路径，或采用动态路径生成策略，利用LLM进行提示以联合完成检索和推理。然而，前者因静态路径提取缺乏适应性且缺乏上下文细化；后者则因依赖固定评分函数和重复调用LLM，导致计算成本高且评估准确率有限。为此，本文提出一种基于LLM引导的蒙特卡洛树搜索(MCTS)的自适应路径评估框架——DAMR(Dynamically Adaptive MCTS-based Reasoning)，实现高效且上下文感知的KGQA。DAMR以MCTS为骨架，LLM-based planner在每个扩展步骤选择Top-k个语义相关关系，以有效缩小搜索空间。为提升评估准确性，本文引入轻量级Transformer-based 评分器，通过跨注意力联合编码问题和关系序列，捕捉多跳推理期间的细粒度语义变化，从而实现上下文感知的可信度估计。此外，为缓解高质量监督稀缺的问题，DAMR集成动态伪路径精炼机制，定期从搜索期间探索的部分路径生成训练信号，使评分器能够持续适应推理轨迹日益变化的分布。大量基准数据集上的实验表明，DAMR显著优于当前SOTA方法。
引用
@article{arxiv.2508.00719,
title = {DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS},
author = {Yingxu Wang and Shiqi Fan and Mengzhu Wang and Siyang Gao and Chao Wang and Nan Yin},
journal= {arXiv preprint arXiv:2508.00719},
year = {2025}
}