저자들은 다중 홉 지식 그래프 질문 응답에서 어휘적 중첩 부족을 해결하기 위해 미분 가능한 그래프 추론과 답변 생성을 분리하는 프레임워크 RSF-GLLM을 제안합니다. 재귀적 소프트 플로우(RSF) 모듈은 GRU 유도 쿼리 업데이트기와 동적 게이트를 사용하여 구조적 단서를 통해 의미적으로 이질적인 브리지 노드를 횡단합니다.

  • RSF는 기존 파이프라인이 미분 가능성을 잃는 의미 간극을 해소하기 위해 연속적 관련성 점수를 전파합니다.
  • 플로우 희소성 정규화는 소프트 확률에서 이산적 추론 경로로의 수렴을 이론적으로 보장합니다.

추출된 경로는 텍스트화되어 대규모 언어 모델을 파인튜닝하며, 사실 기반 토폴로지에 생성을 근거를 둡니다.

  • WebQSP 및 CWQ에서의 실험은 계산 비용이 높은 LLM 기반 접근법과 비교하여 경쟁력 있는 성능과 우수한 추론 효율성을 보여줍니다.

본 프레임워크는 생성을 사실적 토폴로지에 근거하게 하면서도 경쟁력 있는 성능과 우수한 추론 효율성을 달성합니다.