基于图的软提示对不完全知识图进行拓扑感知推理

大语言模型（LLM）在各种任务中表现出了卓越的能力，但在知识密集型场景中仍然容易产生幻觉。知识库问答 (KBQA) 通过在知识图 (KG) 中生成基础来缓解这一问题。然而，大多数多跳 KBQA 方法依赖于显式的边缘遍历，这使得它们容易受到 KG 不完整性的影响。在本文中，我们提出了一种新颖的基于图的软提示框架，将推理范式从节点级路径遍历转变为子图级推理。具体来说，我们采用图神经网络（GNN）将提取的结构子图编码为软提示，使 LLM 能够推理更丰富的结构上下文并识别直接图邻居之外的相关实体，从而降低对丢失边缘的敏感性。此外，我们引入了一个两阶段范例，可以降低计算成本，同时保持良好的性能：轻量级的 LLM 首先利用软提示来识别与问题相关的实体和关系，然后是更强大的 LLM 用于证据感知答案生成。对四个多跳 KBQA 基准的实验表明，我们的方法在其中三个上实现了最先进的性能，证明了其有效性。代码可在存储库中找到：https://github.com/Wangshuaiia/GraSP。