RSF-GLLM：通过循环软流和解耦 LLM 生成弥合多跳知识图 QA 中的语义差距

知识图上的多跳问答面临着严峻的挑战：传统的检索然后读取管道破坏了可微性，阻止 检索器 学习弥合中间节点与查询缺乏词汇重叠的语义差距。为了解决这个问题，我们提出了 RSF-GLLM，一个将可微图推理与答案生成解耦的框架。我们的循环软流 (RSF) 模块采用 GRU 引导的查询更新器来传播连续相关性分数，利用动态门控机制通过结构线索遍历语义上不同的桥节点。我们引入流稀疏正则化，从理论上保证从软概率到离散推理路径的收敛。这些路径被提取并文本化，以微调 大语言模型 (LLM)，确保生成基于实际拓扑。 WebQSP 和 CWQ 上的实验表明，与基于 LLM 的计算成本高昂的方法相比，RSF-GLLM 实现了具有竞争力的性能和卓越的推理效率。