Pandora：利用代码驱动的知识迁移实现统一结构化知识推理
计算与语言
2025-08-26 v1
摘要
统一结构化知识推理（USKR）旨在通过统一方式运用表格、数据库和知识图谱等结构化来源来回答自然语言问题。现有USKR方法依赖于任务特定策略或专用表示，限制了其在跨任务场景中打破不同结构化知识推理任务之间障碍的能力，从而约束了整体性能。在本文中，我们引入\textsc{Pandora}，一个新的USKR框架，通过利用两项关键创新来解决现有方法的局限性。首先，我们提出一种基于\textsc{Python}\textsc{Pandas} API 的代码驱动统一知识表示，与大语言模型的预训练相无缝对齐。该表示促进了对不同结构化知识来源进行统一处理。基于此基础，我们利用知识迁移通过自动构建跨任务记忆来强化大语言模型的统一推理过程。通过对代码执行反馈进行自适应纠正，\textsc{Pandora}展示了卓越的统一推理能力。对六个广泛使用的基准测试进行大量实验（覆盖三个结构化知识推理任务），表明\textsc{Pandora}在统一推理框架方面超越了现有方法，并在与任务特定方法之间取得有效竞争。
引用
@article{arxiv.2508.17905,
title = {Pandora: Leveraging Code-driven Knowledge Transfer for Unified Structured Knowledge Reasoning},
author = {Yongrui Chen and Junhao He and Linbo Fu and Shenyu Zhang and Rihui Jin and Xinbang Dai and Jiaqi Li and Dehai Min and Nan Hu and Yuxin Zhang and Guilin Qi and Yi Huang and Tongtong Wu},
journal= {arXiv preprint arXiv:2508.17905},
year = {2025}
}