ReGraM：面向医疗问答的区域优先知识图谱推理

近期在医疗问答领域的研究积极探索将大型语言模型与生物医学知识图谱相结合，以提高事实准确性。然而，大多数现有方法仍依赖于遍历整个知识图谱或进行大规模检索，这引入了大量噪声并导致不稳定的多跳推理。我们认为，核心挑战不在于扩大知识获取范围，而在于识别并对每个查询的适当证据子集进行推理。ReGraM 是一个区域优先的知识图谱推理框架，它通过构建查询对齐的子图，并在多种证据感知模式下对该局部区域进行逐步推理来解决这一挑战。通过将推理仅集中于知识图谱中最相关的部分，ReGraM 摒弃了所有关系同等有用的假设——这一假设在特定领域的医疗场景中很少成立。在七个医疗问答基准上的实验表明，ReGraM 始终优于强基线，在 MCQ 上实现了 8.04% 的绝对准确率提升，在 SAQ 上实现了 4.50% 的提升，并将幻觉率降低了 42.9%。消融与定性分析进一步表明，将区域构建与逐跳推理对齐是这些改进的主要驱动力。总体而言，我们的结果突出了区域优先知识图谱推理作为提高医疗问答事实准确性与一致性的有效范式。