GNN2R：基于知识图谱的弱监督提供依据问答
计算与语言
2026-01-21 v4 人工智能
摘要
尽管大型语言模型（LLM）取得了快速进展，但在许多高度看重答案可信度和计算效率的实际场景中，基于知识图谱的问答（KGQA）对于产生可验证且抗幻觉的答案仍然至关重要。然而，大多数现有的 KGQA 方法仅以 KG 实体的形式提供最终答案。缺乏明确的解释——理想情况下以相关 KG 三元组上的中间推理过程形式呈现，QA 结果难以检查和解释。此外，这一限制阻碍了 KG 中编码的丰富且可验证的知识（这是 KGQA 相对于 LLM 的关键优势）被充分利用。然而，由于缺乏标注的中间推理过程以及 KGQA 对高效率的要求，解决这一问题仍极具挑战性。在本文中，我们提出了一种新颖的基于图神经网络的两步推理方法（GNN2R），该方法仅使用来自广泛可用的最终答案标注的弱监督，即可高效检索最终答案和相应的推理子图作为可验证依据。我们对 GNN2R 进行了广泛评估，结果表明 GNN2R 在有效性、效率和生成解释的质量方面均大幅优于现有的 SOTA KGQA 方法。完整代码和预训练模型可在 https://github.com/ruijie-wang-uzh/GNN2R 获取。
引用
@article{arxiv.2312.02317,
title = {GNN2R: Weakly-Supervised Rationale-Providing Question Answering over Knowledge Graphs},
author = {Ruijie Wang and Luca Rossetto and Michael Cochez and Abraham Bernstein},
journal= {arXiv preprint arXiv:2312.02317},
year = {2026}
}