RSF-GLLM 通过循环软流在多跳知识图谱问答中弥合语义鸿沟

作者提出了 RSF-GLLM，这是一个将可微分图推理与答案生成解耦的框架，旨在解决多跳知识图谱问答（KG QA）中缺乏词汇重叠的问题。Recurrent Soft-Flow (RSF) 模块使用 GRU 引导的查询更新器和动态门控，通过结构线索遍历语义上不同的桥接节点。

• RSF 传播连续的相关性分数，以弥合传统流水线在可微分性方面断裂的语义鸿沟。
• 流稀疏正则化理论上保证了从软概率到离散推理路径的收敛。
• 提取的路径被文本化，用于微调大型语言模型（LLM），将生成锚定在事实拓扑上。
• 在 WebQSP 和 CWQ 上的实验表明，与计算密集型基于 LLM 的方法相比，具有竞争力的性能且推理效率更高。

该框架确保生成过程锚定在事实拓扑上，同时以更高的推理效率实现具有竞争力的性能。