RJE：基于检索-判断-探索框架的高效知识图谱问答系统
计算与语言
2025-10-03 v1 人工智能
摘要
知识图谱问答（KGQA）旨在利用知识图谱回答自然语言问题。近期研究利用大语言模型（LLM）增强 KGQA 推理，但面临局限：检索式方法受限于检索信息质量，而代理式方法高度依赖专有 LLM。为此，本文提出检索-判断-探索（Retrieval-Judgment-Exploration，RJE）框架，检索精炼后的推理路径，评估其充分性，条件性地探索额外证据。此外，RJE 引入专用辅助模块，使小型 LLM 也能高效运行：推理路径排序、问题分解和检索器辅助探索。实验表明，使用专有 LLM（如 GPT-4o-mini）可超越现有基线，使小型开源 LLM（如 3B 和 8B 参数）在无需微调 LLM 的情况下也能实现竞争成绩。此外，RJE 大幅降低了 LLM 调用次数和 token 使用量，较代理式方法显著提升了效率。
引用
@article{arxiv.2510.01257,
title = {RJE: A Retrieval-Judgment-Exploration Framework for Efficient Knowledge Graph Question Answering with LLMs},
author = {Can Lin and Zhengwang Jiang and Ling Zheng and Qi Zhao and Yuhang Zhang and Qi Song and Wangqiu Zhou},
journal= {arXiv preprint arXiv:2510.01257},
year = {2025}
}
备注
18 pages, 9 figures