Los autores proponen RSF-GLLM, un marco que desacopla el razonamiento gráfico diferenciable de la generación de respuestas para abordar la falta de superposición léxica en la Respuesta a Preguntas de Grafos de Conocimiento (KG QA) multi-salto. El módulo Recurrent Soft-Flow (RSF) utiliza un actualizador de consultas guiado por GRU y una compuerta dinámica para atravesar nodos puente semánticamente disímiles mediante indicios estructurales.
- RSF propaga puntuaciones de relevancia continuas para cerrar la brecha semántica donde los pipelines tradicionales rompen la diferenciabilidad.
- La regularización de esparsidad del flujo garantiza teóricamente la convergencia desde probabilidades suaves hasta caminos de razonamiento discretos.
- Los caminos extraídos se textualizan para ajustar finamente un Modelo de Lenguaje Grande (LLM), anclando la generación en la topología factual.
- Los experimentos en WebQSP y CWQ muestran un rendimiento competitivo con una eficiencia de inferencia superior en comparación con los enfoques basados en LLM computacionalmente costosos.
El marco asegura que la generación esté anclada en la topología factual mientras logra un rendimiento competitivo con una eficiencia de inferencia superior.