著者らは、マルチホップ知識グラフ質問応答における語彙的重叠の欠如に対処するため、微分可能なグラフ推論と回答生成を分離するフレームワークRSF-GLLMを提案する。再帰的ソフトフロー（RSF）モジュールは、GRU誘導クエリ更新器と動的ゲートを用いて、構造的な手がかりを通じて意味的に異なる橋渡しノードを横断する。

  • RSFは、従来のパイプラインが微分可能性を失うセマンティックギャップを埋めるために連続的な関連性スコアを伝播させる。
  • フローのスパース正則化は、ソフトな確率から離散的な推論パスへの収束を理論的に保証する。

抽出されたパスはテキスト化され、大規模言語モデルのファインチューニングが行われ、生成事実に基づくトポロジーが実現される。

  • WebQSPおよびCWQ上での実験は、計算コストの高いLLMベースのアプローチと比較して競争力のあるパフォーマンスと優れた推論効率を示している。

本フレームワークは、生成を事実上のトポロジーに根ざさせながら、競争力のあるパフォーマンスと優れた推論効率を達成する。