Foresight-over-Graph：用远期反馈改进知识图谱问答

大语言模型（LLM）在回答问题方面表现出了很强的能力，但在知识密集型任务中仍然经常出现幻觉。知识图（KG）为 LLM 提供结构化、可解释和可更新的事实基础，使其成为可靠推理的有前途的外部知识源。然而，现有的 LLM 引导的图推理方法通常在证据检索过程中依赖于跳跃式贪婪或束式剪枝。这种局部决策过程本质上是短视的：只有在探索了更深层次的图上下文之后，在源附近显得微弱的证据可能才变得至关重要，导致答案关键分支过早被丢弃并使推理链难以恢复。为了解决这个限制，我们提出了 Foresight-over-Graph (FoG)，这是一种用于知识库问答 (KBQA) 的前瞻性证据检索框架。 FoG 迭代地构建与问题相关的证据子图，并使用远近反馈来指导路径探索，并维护一个紧凑的记忆子图来支持继续探索。对广泛使用的 KBQA 基准进行的大量实验表明，FoG 实现了最先进的性能，尤其是 CWQ 上的命中率提高了 16.58%，同时还减少了 LLM 调用和 token 使用。我们的代码可在 https://github.com/yhong7/FoG 获取。