Para penulis mengusulkan RSF-GLLM, sebuah kerangka kerja yang memisahkan penalaran graf yang dapat diturunkan dari generasi jawaban untuk mengatasi kurangnya tumpang tindih leksikal dalam Penanyaan Graf Pengetahuan Multi-hop. Modul Recurrent Soft-Flow (RSF) menggunakan pembarui kueri yang dipandu GRU dan gerbang dinamis untuk menelusuri simpul jembatan yang secara semantik berbeda melalui isyarat struktural.
- RSF menyebarkan skor relevansi kontinu untuk menjembatani kesenjangan semantik di mana pipa tradisional kehilangan kemampuan diturunkan.
- Regularisasi kerapatan aliran secara teoretis menjamin konvergensi dari probabilitas lembut ke jalur penalaran diskrit.
- Jalur yang diekstrak dituliskan teksnya untuk menyetel halus Model Bahasa Besar, mendasarkan generasi pada topologi faktual.
- Eksperimen pada WebQSP dan CWQ menunjukkan kinerja kompetitif dengan efisiensi inferensi yang unggul dibandingkan pendekatan berbasis LLM yang mahal secara komputasi.
Kerangka kerja ini memastikan generasi berakar pada topologi faktual sambil mencapai kinerja kompetitif dengan efisiensi inferensi yang unggul.