Авторы предлагают RSF-GLLM, фреймворк, который разделяет дифференцируемую графовую рассуждающую логику и генерацию ответов для решения проблемы отсутствия лексического перекрытия в многоступенчатом ответе на вопросы по Графу Знаний (KG QA). Модуль Recurrent Soft-Flow (RSF) использует обновлятор запроса, управляемый GRU, и динамическое затворение для обхода семантически непохожих узлов-мостов по структурным признакам.
- RSF распространяет непрерывные оценки релевантности, чтобы преодолеть семантический разрыв там, где традиционные конвейеры теряют дифференцируемость.
- Регуляризация разреженности потока теоретически гарантирует сходимость от мягких вероятностей к дискретным путям рассуждений.
- Извлеченные пути текстовизируются для дообучения Большой Языковой Модели (LLM), привязывая генерацию к фактической топологии.
- Эксперименты на WebQSP и CWQ показывают конкурентоспособные результаты с превосходной эффективностью вывода по сравнению с вычислительно дорогими подходами на основе LLM.
Фреймворк гарантирует, что генерация привязана к фактической топологии, одновременно достигая конкурентоспособных результатов с превосходной эффективностью вывода.