模式感知规划与混合知识工具集用于可靠的知识图谱三元组验证
人工智能
2026-04-07 v1
摘要
知识图谱（KGs）是 AI 系统的关键基础，但其自动化构建不可避免地引入噪声，损害数据可信度。现有的三元组验证方法基于图嵌入或语言模型，往往因依赖内部结构约束或外部语义证据而存在单源偏差，并且通常遵循静态推理范式。因此，它们难以处理复杂或长尾事实，且可解释性有限。为解决这些局限性，我们提出 SHARP（Schema-Hybrid Agent for Reliable Prediction），一个无需训练的自主智能体，将三元组验证重构为战略规划、主动调查和证据推理的动态过程。具体而言，SHARP 结合记忆增强机制与模式感知战略规划以提升推理稳定性，并采用增强的 ReAct 循环与混合知识工具集动态整合内部 KG 结构与外部文本证据进行交叉验证。在 FB15K-237 和 Wikidata5M-Ind 上的实验表明，SHARP 显著优于现有最先进基线，分别实现 4.2% 和 12.9% 的准确率提升。此外，SHARP 为每个判断提供透明的、基于事实的证据链，展现出对复杂验证任务的强可解释性和鲁棒性。
引用
@article{arxiv.2604.04190,
title = {Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification},
author = {Xinyan Ma and Xianhao Ou and Weihao Zhang and Shixin Jiang and Runxuan Liu and Dandan Tu and Lei Chen and Ming Liu and Bing Qin},
journal= {arXiv preprint arXiv:2604.04190},
year = {2026}
}