Decompositional Reasoning for Graph Retrieval with Large Language Models

文章主要内容总结

本文聚焦于大语言模型（LLMs）在多跳推理和知识密集型任务（如复杂问答）中的局限性，提出了一种结合文本知识图谱（textual knowledge graphs）与分解推理（decompositional reasoning）的检索增强方法。其核心流程包括：

1. 将复杂问题分解为逻辑有序的子问题；
2. 基于子问题和原始复杂问题的加权相似性函数，检索相关文本子图；
3. 合并子图形成问题特定的知识图谱，指导LLM生成答案。

该方法在多跳问答基准数据集CWQ（ComplexWebQuestions）和WebQSP（WebQuestionsSemanticParses）上进行了验证，结果表明：与现有方法相比，在使用更小模型和更少LLM调用的情况下，该方法在准确性和事实一致性上表现相当或更优，同时增强了推理的可解释性。

创新点

1. 分解式知识图谱检索方法：通过将复杂问题分解为子问题，帮助LLM对结构化数据进行推理，尤其适用于复杂问答任务。
2. 混合相似性函数：结合原始复杂问题和子问题的信息计算相似性，平衡局部子问题和全局问题的上下文，优化检索精度。
3. 提升性能与效率：在多跳QA基准上提高了准确性和事实一致性