arXiv cs.AI· Yang Hong, Yajun Yang, Xin Wang, Liping Jing, Qinghua Hu·· 10 天前AI 评分23
Foresight-over-Graph：面向知识库问答的远见感知证据检索框架
Foresight-over-Graph: Reasoning Beyond Local Horizons for Knowledge Base Question Answering
AI 导读
针对现有 LLM 引导的图推理方法因逐跳贪心剪枝而目光短浅、过早丢弃关键证据分支的问题，研究者提出 Foresight-over-Graph（FoG）框架，通过迭代构建问题相关证据子图并用远到近反馈引导路径探索。在 KBQA 基准上 FoG 达到 SOTA，CWQ 的 Hit 提升 16.58%，同时减少 LLM 调用与 token 消耗。代码已开源，论文被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：大型语言模型（LLM）在问答方面已展现出强大能力，但在知识密集型任务中仍频繁出现幻觉。知识图谱（KG）为 LLM 提供结构化、可解释且可更新的事实依据，使其成为可靠推理中颇具前景的外部知识来源。然而，现有 LLM 引导的图推理方法在证据检索过程中通常依赖逐跳贪心或束式剪枝。这类局部决策过程本质上是短视的：在源节点附近看似微弱的证据，只有在探索更深层的图上下文后才可能变得关键，从而导致对答案至关重要的分支被过早丢弃，使推理链难以恢复。为解决这一局限，我们提出 Foresight-over-Graph（FoG），一种面向知识库问答（KBQA）的前瞻感知证据检索框架。FoG 迭代构建与问题相关的证据子图，并利用由远及近的反馈引导路径探索，同时维护一个紧凑的记忆子图以支持持续探索。在广泛使用的 KBQA 基准上的大量实验表明，FoG 达到了最先进的性能，其中在 CWQ 上的 Hit 提升尤为显著，达 16.58%，同时还减少了 LLM 调用次数和 token 用量。我们的代码见 this https URL 。
| Comments: | 25 页，10 张图。已被 NeurIPS 2026 接收 |
| Subjects: | 计算与语言（cs.CL）；人工智能（cs.AI） |
| Cite as: | arXiv:2610.08388 [cs.CL] |
| （或 arXiv:2610.08388v1 [cs.CL] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2610.08388 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Yang Hong [查看邮箱]
[v1]
2026 年 10 月 6 日星期二 14:07:43 UTC（573 KB）
来源：arXiv cs.AI · arxiv.org