Les auteurs proposent RSF-GLLM, un cadre qui découple le raisonnement sur graphe différentiable de la génération de réponses pour pallier le manque de chevauchement lexical dans la réponse aux questions sur les graphes de connaissances multi-sauts. Le module Recurrent Soft-Flow (RSF) utilise un mise à jour de requête guidée par GRU et une commutation dynamique pour traverser des nœuds pont sémantiquement dissemblables via des indices structurels.
- RSF propage des scores de pertinence continus pour combler l'écart sémantique où les pipelines traditionnels perdent la différentiabilité.
- La régularisation de parcimonie du flot garantit théoriquement la convergence des probabilités douces vers des chemins de raisonnement discrets.
- Les chemins extraits sont textualisés pour affiner un grand modèle de langage, ancrant la génération dans une topologie factuelle.
- Les expériences sur WebQSP et CWQ montrent des performances compétitives avec une efficacité d'inférence supérieure par rapport aux approches LLM coûteuses en calcul.
Le cadre garantit que la génération est ancrée dans une topologie factuelle tout en atteignant des performances compétitives avec une efficacité d'inférence supérieure.