GR-Agent：不完整知识下的自适应图推理智能体
人工智能
2025-12-18 v1 机器学习
摘要
大语言模型在知识图谱问答（KGQA）上取得了优异结果，但大多数基准测试假设存在直接支持三元组的完整知识图谱。这将评估简化为浅层检索，并忽略了知识图谱不完整的现实情况，即许多事实缺失且必须从现有事实中推断答案。我们通过提出一种在知识图谱不完整条件下构建基准测试的方法来弥补这一缺陷，该方法在移除直接支持三元组的同时，确保推断答案所需的替代推理路径仍然存在。在使用我们方法构建的基准测试上的实验表明，现有方法在不完整条件下出现一致的性能下降，凸显了其有限的推理能力。为克服这一局限，我们提出了自适应图推理智能体。它首先从知识图谱构建一个交互式环境，然后在该环境中将KGQA形式化为智能体-环境交互。GR-Agent在包含图推理工具的动作空间上运行，并维护潜在支持推理证据的记忆，包括相关关系和推理路径。大量实验表明，GR-Agent优于非训练基线，且在完整和不完整设置下均表现出与基于训练的方法相当的性能。
引用
@article{arxiv.2512.14766,
title = {GR-Agent: Adaptive Graph Reasoning Agent under Incomplete Knowledge},
author = {Dongzhuoran Zhou and Yuqicheng Zhu and Xiaxia Wang and Hongkuan Zhou and Jiaoyan Chen and Steffen Staab and Yuan He and Evgeny Kharlamov},
journal= {arXiv preprint arXiv:2512.14766},
year = {2025}
}