GraphReAct：面向多步图推理的推理与行动

推理-动作框架通过将推理与动态信息获取的动作交织在一起来增强大语言模型（LLM）。然而，将这种范式扩展到图学习仍有待探索。图数据本质上是结构化的，信息分布在节点和边上，并通过拓扑和潜在表示进行编码。因此，对图的有效推理不仅需要从图中检索信息证据，而且还需要在多步推理过程中逐步完善累积的上下文。在这项工作中，我们提出了 GraphReAct，这是一种图推理代理框架，可以对图结构数据进行逐步推理。具体来说，我们设计了一个基于图的动作空间，具有两个互补的检索动作：拓扑检索（捕获局部结构依赖性）和语义检索（访问表示空间中的非局部但相关的证据）。这些动作动态地扩展了推理上下文。为了进一步支持多步骤推理，我们引入了另一种类型的操作，即上下文细化，它将累积的信息提炼并重新组织为紧凑的表示。通过将推理与检索和细化操作交织在一起，我们的框架实现了从上下文扩展到压缩的逐步过渡。对六个基准数据集的大量实验表明，GraphReAct 始终优于最先进的方法，验证了图学习推理-行动的有效性。