PathISE：学习从事实 KGQA 问题中获取信息性路径监督
人工智能
2026-05-12 v1
摘要
知识图谱问答 (KGQA) 旨在通过推理来回答用户问题。最近的 KGQA 方法主要遵循检索-增强生成范式，将结构化知识从 KG 中 grounding 到大型语言模型 (LLM)。然而，要训练有效的模型从 KG 中检索问题相关证据，通常需要高质量的中间监督信号，如问题相关路径或子图，这些证据耗时且资源密集。我们提出 PathISE，一个 novel 框架，用于从答案级别标签中学习高质量的中间监督。PathISE 引入一个轻量级基于 Transformer 的估计算子，用于估计算 relation paths 的信息性，从而构建伪路径级别监督。该监督随后被蒸馏到 LLM path generator 中，其生成的路径在 KG 中 grounding，以提供紧凑的证据用于归纳性 answer reasoning。广泛的 ISE 实验在三个 KGQA 框架上表明，PathISE 实现了具竞争力或领先的 KGQA 性能，并提供了可重用的监督信号，可增强现有 KGQA 模型，无需依赖高成本的 LLM 细化监督。我们的源代码可在 https://anonymous.4open.science/r/PathISE-2F87 获取。
关键词
引用
@article{arxiv.2605.10791,
title = {PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering},
author = {Shengxiang Gao and Chao Lei and Jey Han Lau and Jianzhong Qi},
journal= {arXiv preprint arXiv:2605.10791},
year = {2026}
}