研究人员推出RSF-GLLM，一个旨在改进知识图多跳问答的新型框架。该方法将可微分图推理与答案生成解耦，解决了传统流水线在语义鸿沟方面的局限性。该系统利用带有GRU引导更新器的循环软流模块，通过结构线索传播相关性分数并遍历不相似的节点。在WebQSP和CWQ数据集上的实验表明，RSF-GLLM与其他基于LLM的方法相比，取得了有竞争力的性能和卓越的推理效率。 AI
影响 该框架可以提高需要对复杂知识图进行推理的AI系统的准确性和效率。
排序理由 该集群包含一篇详细介绍知识图问答新框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.06527v1 Announce Type: cross Abstract: Multi-hop Question Answering over Knowledge Graphs faces a critical challenge: traditional retrieve-then-read pipelines break differentiability, preventing the retriever from learning to bridge the semantic gap where intermediate …
Multi-hop Question Answering over Knowledge Graphs faces a critical challenge: traditional retrieve-then-read pipelines break differentiability, preventing the retriever from learning to bridge the semantic gap where intermediate nodes lack lexical overlap with the query. To addr…