Reason-Align-Respond：将 LLM 推理与知识图谱对齐以用于知识图谱问答
计算与语言
2025-05-28 v1 人工智能
摘要
LLM 在复杂推理任务中展现出了卓越的能力，但它们经常产生幻觉且缺乏可靠的事实基础。同时，知识图谱（KG）提供了结构化的事实知识，但缺乏 LLM 灵活的推理能力。在本文中，我们提出了 Reason-Align-Respond（RAR），这是一个将 LLM 推理与知识图谱系统性集成以用于 KGQA 的新颖框架。我们的方法包含三个关键组件：一个生成类人推理链的 Reasoner，一个将这些推理链映射到有效 KG 路径的 Aligner，以及一个合成最终答案的 Responser。我们将此过程表述为一个概率模型，并使用期望最大化算法对其进行优化，该算法迭代地细化推理链和知识路径。在多个基准上的大量实验证明了 RAR 的有效性，在 WebQSP 和 CWQ 上分别达到了 93.3% 和 91.0% 的 Hit@1 分数，实现了最先进的性能。人工评估证实，RAR 生成了高质量、可解释且与 KG 路径高度对齐的推理链。此外，RAR 展现出强大的零样本泛化能力，并在推理过程中保持了计算效率。
引用
@article{arxiv.2505.20971,
title = {Reason-Align-Respond: Aligning LLM Reasoning with Knowledge Graphs for KGQA},
author = {Xiangqing Shen and Fanfan Wang and Rui Xia},
journal= {arXiv preprint arXiv:2505.20971},
year = {2025}
}