लेखकों ने RSF-GLLM का प्रस्ताव रखा है, एक फ्रेमवर्क जो बहु-चाल ज्ञान ग्राफ़ प्रश्नोत्तर (KG QA) में शब्दिक ओवरलैप की कमी को दूर करने के लिए अलग-अलग योग्य ग्राफ़ तर्क को उत्तर जनरेशन से अलग करता है। Recurrent Soft-Flow (RSF) मॉड्यूल संरचनात्मक संकेतों के माध्यम से अर्थपूर्ण रूप से भिन्न ब्रिज नोड्स से गुजरने के लिए GRU-गाइडेड क्वेरी अपडेटर और गतिशील गेटिंग का उपयोग करता है।
- RSF पारंपरिक पाइपलाइन में अलग-अलग योग्यता टूटने वाले स्थान पर अर्थपूर्ण अंतराल को पाटने के लिए निरंतर प्रासंगिकता स्कोर को प्रसारित करता है।
- फ्लो स्पार्सिटी रेगुलराइजेशन सैद्धांतिक रूप से नरम संभावनाओं से कठोर तर्क पथों तक अभिसरण की गारंटी देता है।
- निकाले गए पथों को एक बड़े भाषा मॉडल (LLM) के लिए फाइन-ट्यून करने के लिए पाठ में बदला जाता है, जिससे जनरेशन तथ्यात्मक टोपोलॉजी में जड़ित हो जाता है।
- WebQSP और CWQ पर प्रयोगों ने गणना की दृष्टि से महंगे LLM-आधारित दृष्टिकोणों की तुलना में प्रतिस्पर्धी प्रदर्शन और श्रेष्ठ इनफरेंस दक्षता दिखाई।
फ्रेमवर्क यह सुनिश्चित करता है कि जनरेशन तथ्यात्मक टोपोलॉजी में जड़ित हो, जबकि श्रेष्ठ इनफरेंस दक्षता के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त होता है।