基于超维计算的无编码器知识图谱推理：通过超路径检索
机器学习
2026-02-04 v2 计算与语言
摘要
最近的大语言模型（LLM）进展使以知识为基础的推理变得越来越实用，但基于知识图谱的问答系统在效率和透明度方面往往付出沉重代价。在典型流程中，符号路径由神经编码器评分或由多个LLM调用重复排序，这会导致延迟和GPU成本的飙升，并使决策过程难以审计。我们引入PathHD，一个无编码器的知识图谱推理框架，将超维计算（HDC）与每个查询仅一次LLM调用相结合。给定查询，PathHD将关系路径表示为块对角GHRR超向量，通过校准的块状余弦相似度进行候选路径检索（并采用Top-K剪枝），然后进行一次性LLM裁决，输出最终答案及其支持的、可引用的路径。该设计得益于三个技术组件：（i）用于组合多跳路径的顺序敏感、非交换绑定算子；（ii）稳定超向量检索的鲁棒相似度校准；（iii）在不进行逐路径LLM评分的情况下保持可解释性的裁决阶段。跨WebQSP、CWQ和GrailQA，PathHD在仅使用一个LLM调用的情况下，以匹配或提升强大神经基线的Hits@1分数，端到端延迟降低，GPU内存降低。总体而言，结果表明，精心设计的HDC路径表示可作为高效且可信的KG-LLM推理的有效基质，实现了强大的准确率-效率-可解释性权衡。
引用
@article{arxiv.2512.09369,
title = {Encoder-Free Knowledge-Graph Reasoning with LLMs via Hyperdimensional Path Retrieval},
author = {Yezi Liu and William Youngwoo Chung and Hanning Chen and Calvin Yeung and Mohsen Imani},
journal= {arXiv preprint arXiv:2512.09369},
year = {2026}
}