研究人员开发了 MARS，一种用于知识图谱问答 (KGQA) 的新方法，该方法将大型语言模型 (LLM) 与知识图谱 (KG) 相结合，无需模型微调。MARS 采用结构化检索过程将问题实体链接到 KG，并迭代获取相关信息。该系统自适应地决定何时继续图遍历或生成最终的 SPARQL 查询，为完全自主的方法提供了一种更可预测的替代方案。MARS 在 KGQA 基准测试中表现出具有竞争力的性能，证明了其高效和可扩展性。 AI
影响 通过将 LLM 与不断更新的知识图谱相结合，这种方法可以提高 LLM 在知识密集型任务中的可靠性。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.14561v1 Announce Type: new Abstract: Large language models (LLMs) have demonstrated strong reasoning performance, but their tendency to hallucinate limits their reliability in knowledge-intensive tasks requiring up-to-date and grounded information. Combining knowledge …
Large language models (LLMs) have demonstrated strong reasoning performance, but their tendency to hallucinate limits their reliability in knowledge-intensive tasks requiring up-to-date and grounded information. Combining knowledge graphs (KGs) with LLMs facilitates the use of ex…