MCTS-KBQA：面向知识库问答的蒙特卡洛树搜索
计算与语言
2025-02-20 v1 人工智能
摘要
本研究探讨了如何利用蒙特卡洛树搜索（MCTS）增强大语言模型（LLM）在知识库问答（KBQA）中的推理能力。基于语义解析的 KBQA 方法尤为具有挑战性，因为这些方法需要从知识库中定位元素并生成逻辑形式，不仅需要大量标注数据，还需要强大的推理能力。尽管近期将 LLM 作为智能体的方法展示了可观的潜力，但这些研究本质上受限于其线性决策过程。为了解决这一局限性，我们提出了一种基于 MCTS 的框架，通过树搜索方法增强 LLM 的推理能力。我们设计了一种精心构思的逐步奖励机制，仅需直接提示开源指令 LLM，而无需额外微调。实验结果表明，我们的方法显著优于线性决策方法，尤其是在低资源场景下。此外，我们利用远程监督为现有的 question-SPARQL 数据集标注了中间推理过程，从而为 KBQA 社区贡献了新的数据资源。在扩展数据集上的实验结果表明，我们的方法在使用显著较少训练数据的情况下，取得了与全监督模型相当的性能。
引用
@article{arxiv.2502.13428,
title = {MCTS-KBQA: Monte Carlo Tree Search for Knowledge Base Question Answering},
author = {Guanming Xiong and Haochen Li and Wen Zhao},
journal= {arXiv preprint arXiv:2502.13428},
year = {2025}
}