Os autores propõem o RSF-GLLM, um framework que desacopla o raciocínio gráfico diferenciável da geração de respostas para abordar a falta de sobreposição léxica na Resposta a Perguntas de Grafos de Conhecimento (KG QA) multi-salto. O módulo Recurrent Soft-Flow (RSF) usa um atualizador de consultas guiado por GRU e uma porta dinâmica para atravessar nós ponte semanticamente dissimilares por meio de indícios estruturais.
- O RSF propaga escores de relevância contínuos para preencher a lacuna semântica onde os pipelines tradicionais quebram a diferenciabilidade.
- A regularização de esparsidade do fluxo garante teoricamente a convergência de probabilidades suaves para caminhos de raciocínio discretos.
- Os caminhos extraídos são textualizados para ajustar finamente um Modelo de Linguagem Grande (LLM), ancorando a geração na topologia factual.
- Experimentos no WebQSP e CWQ mostram desempenho competitivo com eficiência de inferência superior em comparação com abordagens baseadas em LLM computacionalmente caras.
O framework garante que a geração esteja ancorada na topologia factual enquanto alcança desempenho competitivo com eficiência de inferência superior.