通过 LLM 规划与嵌入引导搜索实现知识图谱上的高效多跳问答
计算与语言
2025-11-26 v1 人工智能
摘要
知识图谱上的多跳问答由于可能的推理路径的组合爆炸，仍然面临计算挑战。最近的 метод们依赖于高昂的大型语言模型（LLM）推理进行实体链接和路径排序，限制了其实际部署。此外，LLM 生成的答案往往缺乏对结构化知识的可验证 grounding。我们提出两种互补的混合算法以解决效率和可验证性问题：（1）LLM 引导规划法，通过单次 LLM 调用预测关系序列并执行广度优先搜索，实现接近完美的准确率（micro-F1 > 0.90），同时确保所有答案都 grounded 在知识图谱中；（2）嵌入引导神经搜索法，通过融合文本和图嵌入的轻量级 6.7 百万参数边评分器，完全消除 LLM 调用，实现 100 倍以上的加速并保持竞争的准确率。通过知识蒸馏，我们将规划能力压缩到 4B 参数模型中，该模型在零 API 成本下匹配大型模型的性能。在 MetaQA 数据集上评估显示，基于结构化规划的推理始终优于无 grounding 的生成，结构化规划的可迁移性优于直接答案生成。我们的结果表明，可验证的多跳推理并不要求在推理时使用大型模型，而是需要结合符号结构与学习表示的正确架构归因。
引用
@article{arxiv.2511.19648,
title = {Efficient Multi-Hop Question Answering over Knowledge Graphs via LLM Planning and Embedding-Guided Search},
author = {Manil Shrestha and Edward Kim},
journal= {arXiv preprint arXiv:2511.19648},
year = {2025}
}