RouterKGQA：面向约束感知知识图谱问答的专用--通用模型路由
计算与语言
2026-03-23 v1 数据库
信息检索
摘要
知识图谱问答（KGQA）是一种通过在结构化和可验证的知识图谱中进行推理来缓解大语言模型（LLM）幻觉的有前景的方法。现有方法分为两大范式：检索式方法利用小型专用模型，具有高效性但常产生不可到达的路径并遗漏隐式约束；而代理式方法利用大型通用模型，虽在结构性 grounding 上取得更强表现，但计算成本显著提高。我们提出RouterKGQA，一种用于专用--通用模型协作的框架，其中专用模型生成推理路径，仅在必要时由通用模型进行KG引导的修复，从而以最小成本提升性能。我们进一步赋予专用模型约束感知答案过滤功能，以减少冗余答案。此外，我们设计更高效的通用代理工作流程，进一步降低推理成本。实验结果表明，RouterKGQA在多个基准测试中平均以3.57分的F1分数和0.49分的Hits@1提升超过前所未有的表现，而仅需0.15次平均LLM调用问题。代码和模型已公开于https://github.com/Oldcircle/RouterKGQA。
引用
@article{arxiv.2603.20017,
title = {RouterKGQA: Specialized--General Model Routing for Constraint-Aware Knowledge Graph Question Answering},
author = {Bo Yuan and Hexuan Deng and Xuebo Liu and Min Zhang},
journal= {arXiv preprint arXiv:2603.20017},
year = {2026}
}