面向基于LLM的知识图谱问答的部分知识约束实体选择

大语言模型越来越多地被用于知识图谱问答（KGQA），但可能无法将答案正确对应到底层图中的实体与关系。当前基于LLM的KGQA方法要么依赖完整的语义解析为可执行查询（如SPARQL），这在实践中因复杂模式或真实世界KG的不完整而脆弱；要么依赖LLM在KG上的推理与答案生成，这更鲁棒但缺乏形式化保证。在这项工作中，我们研究一个互补的设置：候选答案由基于LLM的系统生成，随后使用从问题导出的轻量级符号约束进行验证。我们提出部分知识下的约束实体选择（CES-PK），一种问题形式化，聚焦于消除无效答案并为有效答案提供符号支持，而无需构建可执行逻辑形式。为应对KG的不完整性，我们采用三值约束语义（满足、违反、未知），在开放世界假设下避免错误的拒绝。为展示方法效果，我们在Hetionet生物医学知识图谱上实例化该框架，并评估类型、关系与排除约束的影响。实验表明，过滤无效候选提升了精确率，同时由于保留约束未被明确违反的候选而保持了召回率。被满足的约束为其余候选的排序提供额外的正面符号证据。