arXiv cs.CL· Nikit Srivastava, Daniel Vollmers, Ren\'e Speck, Nikolaos Karalis, Hamada M. Zahera, Axel-Cyrille Ngonga Ngomo·· 12 小时前AI 评分31
MARS：面向 KGQA 的多跳自适应检索与 SPARQL 生成方法
MARS: Multi-hop Adaptive Retrieval and SPARQL Generation for KGQA
AI 导读
MARS 是一种无需模型微调的可扩展知识图谱问答（KGQA）方法，通过结构化检索将问题实体链接到 KG 并迭代获取下一跳信息，每步自行决定继续遍历还是生成最终 SPARQL 查询。该方法在三个 KGQA 基准上跨多个 LLM 及多语言设置评估，性能与 SOTA 方法相当，同时保持高效可扩展，代码与资源已公开。
正文 · AI 翻译
摘要：大型语言模型（LLM）已展现出强大的推理性能，但其产生幻觉的倾向限制了其在需要最新且基于事实的信息的知识密集型任务中的可靠性。将知识图谱（KG）与 LLM 相结合，有助于利用可显式表达、可持续更新且无需昂贵微调的符号知识，同时受益于快速发展的 LLM 推理能力。我们提出 MARS，一种可扩展的知识图谱问答（KGQA）方法，无需模型微调。MARS 不依赖开放式的智能体探索，而是执行结构化检索流程，将问题实体链接到 KG，并迭代检索相关的下一跳信息。在每一步，MARS 决定是继续图遍历还是生成最终的 SPARQL 查询，从而使模型能够根据问题调整检索深度，同时保持整体流程比完全智能体式方法更具可预测性。我们在三个成熟的 KGQA 基准上，跨多个 LLM 和设置（包括多语言评估）对 MARS 进行了评估，并通过消融研究和错误分析提供了见解。我们的方法在保持高效和可扩展的同时，相对于最先进的方法取得了有竞争力的性能。评估结果、代码和资源已公开：this https URL。
| 评论： | EKAW 2026（this https URL） |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2607.14561 [cs.CL] |
| （或 arXiv:2607.14561v3 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2607.14561 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1007/978-3-032-41614-8_9
链接到相关资源的 DOI |
提交历史
来自：Nikit Srivastava [查看邮箱]
[v1]
2026年7月16日 星期四 04:40:05 UTC（98 KB）
[v2]
2026年7月27日 星期一 09:22:09 UTC（98 KB）
[v3]
2026年10月21日 星期三 08:59:02 UTC（98 KB）
来源：arXiv cs.CL · arxiv.org