利用 LLM-GNN 集成进行开放世界知识图谱问答
计算与语言
2026-04-16 v1 人工智能
数据库
摘要
开放世界问答（OW-QA）旨在对不完整或不断演化的知识图谱（KGs）回答问题。传统的 KGQA 假设封闭世界，要求答案必须存在于 KG 中，这限制了实际应用。相比之下，开放世界问答需要基于图结构和上下文推断缺失知识。大型语言模型（LLMs）在语言理解方面优秀，但缺乏结构化推理。图神经网络（GNNs）建模图拓扑，但在语义解释方面困难。现有系统将 LLMs 与 GNNs 或图检索器集成。一些支持开放世界问答但依赖无语义 grounding 的结构嵌入。大多数假设观察到的路径或完整图，导致在缺失链接或多跳推理下不可靠。我们提出 GLOW，一种混合系统，将预训练 GNN 与 LLM 结合，用于开放世界 KGQA。GNN 从图结构预测前 k 个候选答案。这些答案以及相关 KG 事实被序列化为结构化提示（如三元组和候选答案），以引导 LLM 推理。这实现了对符号和语义信号的联合推理，不依赖检索或微调。为评估泛化，我们引入 GLOW-BENCH，一个跨 diverse 领域的包含 1000 个问题的基准测试。GLOW 在标准基准和 GLOW-BENCH 上超越现有 LLM-GNN 系统，提升最高可达 53.3%，平均提升约 38%。GitHub 代码和数据已公开。
引用
@article{arxiv.2604.13979,
title = {Leveraging LLM-GNN Integration for Open-World Question Answering over Knowledge Graphs},
author = {Hussein Abdallah and Ibrahim Abdelaziz and Panos Kalnis and Essam Mansour},
journal= {arXiv preprint arXiv:2604.13979},
year = {2026}
}
备注
18 pages,6 figures,10 tables. https://aclanthology.org/2026.eacl-long.26/