Evolve on Graph：无需问答标注的自进化知识图谱推理框架

作者：Zongyuan Sun、Shuai Zhao、Ke Shu、Ziyue Zhu、Shangyang Wu、Yuanlin Lin、Tao Wang、Shiyue Li、Yingjun Du、Anh Tuan Luu、Haoran Luo

查看 PDF HTML（实验性）

摘要：知识图谱（KG）为大语言模型（LLM）的多跳事实推理提供了可靠的外部知识，然而在金融、工业等现实领域中，大多数知识图谱缺乏问答（QA）标注。缺少此类标注时，现有方法难以提升 LLM 的图推理能力：免训练智能体无法通过交互改进其探索；强化学习（RL）智能体依赖人工标注或闭源模型合成的 QA 数据；训练数据通常离线构建，其拓扑组合固定，无法跟随智能体的能力变化。我们提出 Evolve on Graph（EoG），一个让 LLM 在没有任何 QA 标注的情况下自我演化图推理能力的框架。通过 Graph Self-Play，单个 LLM 在提出问题的 Proposer 与回答问题的 Solver 之间交替。为使问题可验证，Symbolically Verifiable Topology Synthesis（SVTS）在知识图谱上采样推理拓扑并执行相应的一阶逻辑查询，生成具有正确且完整答案集的拓扑骨架；在骨架引导下，Proposer 探索图以提出多跳问题。为使任务拓扑跟随 Solver，Boundary-Aware Graph Curriculum 依据 Solver 的得分方差奖励 Proposer，将问题保持在 Solver 的能力边界，从而随着 Solver 的提升，复杂拓扑得以进入训练。在 Freebase、Wikidata 和一个工业知识图谱上的六个基准测试中，EoG 始终优于基于提示、检索和智能体的方法，表明 LLM 图推理可以在没有 QA 标注的情况下通过自我对弈得到提升。我们的代码见 此 https URL

提交历史

来自：Zongyuan Sun [查看邮箱]
[v1] 2026年10月26日星期一 15:23:04 UTC（11,836 KB）