TRACE：面向多跳知识图谱问答的经验式框架
计算与语言
2026-04-14 v1
摘要
多跳知识图谱问答（KGQA）需要在关系路径上进行连贯推理，但现有方法常将每个推理步骤独立处理，难以有效利用先前探索的经验，导致推理碎片化和冗余探索。为此，我们提出了基于轨迹的自适应上下文与探索先验推理框架（TRACE），以增强多跳KGQA的连贯性和鲁棒性。具体而言，TRACE 动态地将演化中的推理路径转化为自然语言叙述，以维护语义连续性；同时，将先前的探索轨迹抽象为可重用的经验先验，捕获反复出现的探索模式。进一步，TRACE 引入双向反馈重排序机制，将上下文叙述与探索先验集成，以指导推理中的关系选择。大量实验表明，在多个KGQA基准测试上，TRACE 均稳居SOTA水平。
引用
@article{arxiv.2604.11193,
title = {TRACE: An Experiential Framework for Coherent Multi-hop Knowledge Graph Question Answering},
author = {Yingxu Wang and Jiaxin Huang and Mengzhu Wang and Nan Yin},
journal= {arXiv preprint arXiv:2604.11193},
year = {2026}
}