KGFR：用于通用知识图谱问答的基础检索器
人工智能
2025-11-07 v1
摘要
大型语言模型（LLM）在推理方面表现优异，但由于上下文有限和参数化知识受限，难以处理知识密集型问题。然而，依赖微调 LLM 或图神经网络检索器的现有方法受限于数据集特定调优和在大规模或未见知识图谱上的可扩展性。我们提出 LLM-KGFR 协作框架，其中 LLM 与结构化检索器协同工作，称为知识图谱基础检索器（KGFR）。KGFR 使用 LLM 生成的描述编码关系，并根据问题中实体的角色进行初始化，实现对未见知识图谱的零样例泛化。为高效处理大型图，采用非对称渐进传播（APP）—一种逐步扩展的方式，在保留信息路径的同时选择性地限制高度节点。通过节点、边和路径级别的接口，LLM 可迭代请求候选答案、支持事实和推理路径，形成可控的推理循环。实验表明，LLM-KGFR 在保持可扩展性和泛化性的同时实现了强大的性能，为知识图谱增强推理提供了实用解决方案。
引用
@article{arxiv.2511.04093,
title = {KGFR: A Foundation Retriever for Generalized Knowledge Graph Question Answering},
author = {Yuanning Cui and Zequn Sun and Wei Hu and Zhangjie Fu},
journal= {arXiv preprint arXiv:2511.04093},
year = {2025}
}