面向大语言模型知识图谱问答忠实性的组合式关系链

知识图谱问答（KGQA）是评估KG增强大语言模型（LLM）的关键任务，而需要多跳推理的复杂KGQA尤其具有挑战性。解决一个复杂查询涉及两个相互耦合的阶段：候选检索，即在KG上定位答案候选；以及约束处理，即依据查询约束过滤这些候选。忠实的推理要求两个阶段都扎根于KG。然而，现有基于代理的方法通过以实体为中心的探索来落实候选检索，却把约束处理留给LLM的内部知识，这导致两个关键局限。（1）不可靠的实体剪枝：以实体为中心的探索把实体当作搜索单元，必须在每一跳把它们剪枝到固定大小的子集。由于KG中的实体信息往往不完整，且固定大小的子集无法保留所有有效实体，这种剪枝不可避免地丢弃有效实体，最终导致错误答案。（2）无扎根的约束处理：查询约束从LLM内部知识而非KG解析，使最终答案不可验证且易产生幻觉。为解决这些局限，本文引入以关系为中心的探索范式，用关系而非实体作为搜索单元，从而避免不可靠的实体剪枝。在该范式基础上，本文提出组合式关系链（CCoR），一个简单而有效的框架，通过两条关系链把两个阶段都扎根于KG：主链用于候选检索，约束链通过显式KG探索验证查询约束。在四个KGQA基准上的实验表明，CCoR在准确率、忠实性和效率上持续超越强基线，且在复杂查询上增益更明显。