面向知识图谱感知问答的关系驱动自适应跳数选择与少样路径引导——RFKG-CoT
计算与语言
2025-12-18 v1 人工智能
摘要
大型语言模型 (LLM) 常因参数知识限制在知识密集型问答中生成幻觉。虽然已有方法如 KG-CoT 通过集成知识图谱 (KG) 路径来提高可靠性，但其存在固有问题：跳数选择仅受问题驱动且未充分利用推理路径（缺乏引导）。为此，我们提出 RFKG-CoT：首先，用关系驱动的自适应跳数选择器取代刚性跳数选择器，通过激活 KG 关系（例如，针对直接的 "兄弟" 关系使用 1-hop，针对间接的 "父子" 链使用 2-hop）动态调整推理步骤，形式化为关系掩码；其次，引入一种以 few-shot 为导师的 in-context 学习路径引导机制，结合 CoT (思考) 构建 "question-paths-answer" 格式的示例，以增强 LLM 理解推理路径的能力。在四个 KGQA 基准测试中实验表明，RFKG-CoT 在 accuracy 上比 KG-CoT 提升最高可达 14.7 百分点（Llama2-7B 在 WebQSP 上）。消融实验确认，跳数选择器与路径提示是互补的，两者共同将 KG 证据转化为更可信的答案。
引用
@article{arxiv.2512.15219,
title = {RFKG-CoT: Relation-Driven Adaptive Hop-count Selection and Few-Shot Path Guidance for Knowledge-Aware QA},
author = {Chao Zhang and Minghan Li and Tianrui Lv and Guodong Zhou},
journal= {arXiv preprint arXiv:2512.15219},
year = {2025}
}
备注
9pages, 5 figures, accepted by AAAI 2026