记忆增强查询重构：用于LLM-based知识图谱推理
计算与语言
2025-03-10 v1
摘要
大型语言模型（LLM）通过规划与知识图谱交互，在知识图谱问答（KGQA）任务上取得了显著性能。然而，现有方法常将工具调用与知识推理混淆，导致模型输出可读性下降并引发虚构性工具调用，从而阻碍KGQA的进步。为此，我们提出一种记忆增强查询重构方法（MemQ），通过LLM构建的查询记忆来解耦LLM与工具调用任务。该方法在内存模块中建立明确的查询语句描述，借助自然语言推理与记忆增强查询重构促进KGQA过程。同时，我们设计了有效且可读的推理机制，以提升LLM在KGQA中的推理能力。实验结果表明，MemQ在广泛使用的WebQSP和CWQ基准上实现了最先进的性能。
引用
@article{arxiv.2503.05193,
title = {Memory-augmented Query Reconstruction for LLM-based Knowledge Graph Reasoning},
author = {Mufan Xu and Gewen Liang and Kehai Chen and Wei Wang and Xun Zhou and Muyun Yang and Tiejun Zhao and Min Zhang},
journal= {arXiv preprint arXiv:2503.05193},
year = {2025}
}