PathMind：面向知识图谱推理的检索-优先-推理框架
人工智能
2025-12-11 v2 信息检索
摘要
知识图谱推理（KGR）是通过对知识图谱执行逻辑推理以推断新知识的任务。近期，大语言模型（LLM）在复杂推理任务中展现出惊人性能。尽管如此，现有LLM-based KGR方法仍面临两个关键局限：其一，现有方法常无差别提取推理路径，未评估其重要性差异，可能引入无关噪声干扰LLM；其二，许多方法依赖LLM动态探索潜在推理路径，需高频检索调用。为此，我们提出PathMind，一种新型框架，通过有选择地引导LLM以重要推理路径为中心，实现可靠且可解释的推理。具体而言，PathMind遵循“检索-优先-推理”范式：首先通过检索模块从KG中检索查询子图；其次引入路径优先级机制，通过语义感知路径优先级函数识别重要推理路径，同时考虑累积成本与到达目标的估计未来成本；最后通过双阶段训练策略（包括任务特定指令调优与路径级偏好对齐），生成准确且逻辑一致的响应。大量实验表明，PathMind在基准数据集上 consistently优于竞争方法，尤其在token数更少的复杂推理任务中表现更佳，通过识别关键推理路径实现突破。
引用
@article{arxiv.2511.14256,
title = {PathMind: A Retrieve-Prioritize-Reason Framework for Knowledge Graph Reasoning with Large Language Models},
author = {Yu Liu and Xixun Lin and Yanmin Shang and Yangxi Li and Shi Wang and Yanan Cao},
journal= {arXiv preprint arXiv:2511.14256},
year = {2025}
}
备注
AAAI 2026, Long Paper, Oral