UniRel：基于 RL 微调的 LLM 推理的关系中心知识图谱问答
人工智能
2026-02-09 v2
摘要
知识图谱问答（KGQA）主要聚焦于实体中心查询，即返回单个答案实体。然而，许多现实世界问题本质上是关系型的，旨在理解实体之间的关联方式，而非哪一个实体满足查询。在本工作中，我们提出关系中心 KGQA，这是一种补充性的设置，其中答案是一个表示实体间语义关系的子图。主要挑战在于候选子图的庞大， trivial 或过于常见的连接常常掩盖了唯一且有信息量答案的识别。为此，我们提出 UniRel，一个统一的模块化框架，结合子图检索器与使用强化学习微调的大语言模型。该框架运用奖励函数，优先选择紧凑且具特定性的子图，包含信息丰富的关系且中间实体的度数较低。实验表明，UniRel 在 Prompting baseline 之上提升了连通性和奖励值，并能良好地泛化到未见的实体和关系。此外，UniRel 可应用于常规的实体中心 KGQA，在多个场景下实现了竞争甚至更好的性能。
引用
@article{arxiv.2512.17043,
title = {UniRel: Relation-Centric Knowledge Graph Question Answering with RL-Tuned LLM Reasoning},
author = {Yinxu Tang and Chengsong Huang and Jiaxin Huang and William Yeoh},
journal= {arXiv preprint arXiv:2512.17043},
year = {2026}
}