一篇新研究论文介绍了一种名为有界路径上下文（Bounded Path Context, BPC）的方法，用于优化大型语言模型（LLM）在知识图谱问答（KGQA）中的性能。BPC将控制器的完整路径记忆与提示解耦，仅暴露最后K跳。在Qwen3.5-9B-AWQ模型上，使用WebQSP和CWQ数据集进行的实验表明，K=1的BPC可以匹配或超越完整路径历史提示，在减少输入令牌的同时获得更高的F1分数。该研究表明，路径序列化长度应作为LLM图控制器的一个可调参数，而不是默认假设。 AI
影响 通过减少输入令牌和提高性能，优化了LLM在知识图谱任务中的效率。
排序理由 该集群包含一篇学术论文，详细介绍了一种基于LLM的知识图谱问答新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.26645v1 Announce Type: new Abstract: LLM-based knowledge-graph question answering (KGQA) delegates graph traversal to language models, turning each question into a sequence of local relation-selection decisions repeated across beams and hops. A common but untested defa…
LLM-based knowledge-graph question answering (KGQA) delegates graph traversal to language models, turning each question into a sequence of local relation-selection decisions repeated across beams and hops. A common but untested default is to serialize the complete partial path in…