MARS：KGQA 的多跳自适应检索和 SPARQL 生成

大语言模型 (LLM) 表现出了强大的推理能力，但它们的幻觉倾向限制了它们在需要最新和有依据的信息的知识密集型任务中的可靠性。将知识图（KG）与 LLM 相结合，有利于使用显式符号知识，这些知识可以持续更新，无需昂贵的 微调，同时受益于快速发展的 LLM 推理。我们提出 MARS，一种可扩展的知识图问答（KGQA）方法，不需要模型 微调。 MARS 不依赖于开放式代理探索，而是执行结构化检索过程，将问题实体链接到知识图谱并迭代检索相关的下一跳信息。在每一步中，MARS 都会决定是继续图遍历还是生成最终的 SPARQL 查询，从而允许模型根据问题调整检索深度，同时保持整体管道比完全代理方法更可预测。我们根据多个 LLM 和设置的三个已建立的 KGQA 基准评估 MARS，包括多语言评估，并通过消融研究和错误分析提供见解。相对于最先进的方法，我们的方法实现了具有竞争力的性能，同时保持高效和可扩展。评估结果、代码和资源均公开：https://github.com/dice-group/mars-kgqa。