PathISE：为知识图谱问答学习有信息量的路径监督

知识图谱问答（KGQA）旨在通过在知识图谱（KG）上推理来回答用户问题。近期的KGQA方法主要遵循检索增强生成范式，用KG中的结构化知识为大语言模型（LLM）知识图谱关联。然而，训练能从KG中检索与问题相关证据的有效模型，通常需要高质量的中间监督信号，例如与问题相关的路径或子图，其获取既耗时又耗资源。我们提出PathISE，一个从答案级标签学习高质量中间监督的新框架。PathISE引入一个轻量的基于transformer的估计器，估计关系路径的信息量以构建伪路径级监督。该监督随后被蒸馏进一个LLM路径生成器，其生成的路径在KG中知识图谱关联，为归纳式答案推理提供紧凑证据。在三个KGQA基准上的大量实验表明，PathISE取得有竞争力或最先进的KGQA性能，并提供可复用的监督信号来增强现有KGQA模型，而无需依赖昂贵的LLM精炼监督信号。我们的源代码发布于 https://anonymous.4open.science/r/PathISE-2F87。