TRACE：连贯多跳知识图问答的体验框架

多跳知识图问答（KGQA）需要跨关系路径进行连贯推理，但现有方法通常独立处理每个推理步骤，无法有效利用先前探索的经验，导致碎片推理和冗余探索。为了应对这些挑战，我们提出了具有自适应上下文和探索先验的轨迹感知推理（TRACE），这是一种体验框架，它将 LLM 驱动的上下文推理与探索先验集成相结合，以增强多跳 KGQA 的一致性和鲁棒性。具体来说，TRACE 动态地将不断演变的推理路径转化为自然语言叙述，以保持语义连续性，同时将先前的探索轨迹抽象为可重用的经验先验，以捕获重复出现的探索模式。双反馈重排序机制进一步将上下文叙述与探索先验相结合，以指导推理过程中的关系选择。对多个 KGQA 基准的大量实验表明，TRACE 始终优于最先进的基准。