MARS: Multi-hop Adaptive Retrieval and SPARQL Generation for KGQA
本文介绍了 MARS，这是一个可扩展的、无需微调的知识图谱问答框架，它将大语言模型与结构化的多跳自适应检索过程相结合，以生成准确的 SPARQL 查询语句，同时最大限度地减少幻觉并保持效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图解开一个宏大且多层级的谜团，但你拥有的不是一名单一的侦探，而是一个极其聪明、反应极快，却在不知道答案时偶尔会胡编乱造的大脑。这就是大语言模型（LLM）的世界：它们在理解语言和推理方面异常聪明，但也有一个坏习惯，即“幻觉”，也就是自信满满地陈述并不真实的事实。为了解决这个问题，科学家们经常将这些大脑与“知识图谱”（KG）结合使用。请不要把知识图谱想象成一堆杂乱无章的书籍，而要把它想象成一张巨大的、完美组织的知识网，其中每一条信息都通过清晰、逻辑性的线条与其他信息相连，就像一张涵盖全世界知识的地铁线路图。挑战在于，如何让这个超级大脑正确地阅读这张地图，而不至于迷失方向或凭空捏造出不存在的站点。这就是知识图谱问答（KGQA）的核心难题：我们如何提出一个复杂的问题，并从这个网络中获得一个完全准确的答案，尤其是当这个答案需要从一个事实跳转到另一个事实时——就像是在追踪一连串线索一样？
于是，MARS 登场了。它是一种全新的方法，其行为模式更像是一位纪律严明、循序渐进的侦探，而非一个漫无目的的自由探索者。由 Nikit Srivastava 及其同事领导的研究人员开发了 MARS，旨在解决需要“多跳”推理的复杂问题——这类问题无法通过查阅单一事实来解决，而是必须先找到一个人，再找到他的住址，接着找到他家附近有什么，以此类推。以往的方法试图让 AI 像一个带着地图的智能体一样在知识图谱中游走，但这往往会导致混乱并产生虚假事实。MARS 则采取了不同的路径。它并没有让 AI 一次性猜出整个路线，而是将旅程拆解开来。它首先定位问题中提到的特定“车站”（实体），然后仔细观察与该车站相连的直接“轨道”（模式）。它会询问 AI：“基于这些轨道，我们是否有足够的信息来解开谜题，还是我们需要跳转到下一个车站？”如果答案是“还没有”，MARS 就会跳转到下一组事实，丰富上下文信息，然后再次尝试。它通过这种结构化的循环不断重复这一过程，直到收集到足够的证据，从而编写出一条精确、可执行的指令（SPARQL 查询语句），供计算机运行以获取确切答案。
研究发现，这种结构化的、“停下来思考”的方法效果显著。在针对三组不同类型的难题（其中一些包含超过 29% 的多跳问题）进行测试时，MARS 的表现与现有最先进的系统不相上下，甚至更优，而且无需针对特定数据进行重新训练。它在处理复杂的、多步骤的问题方面表现出特别的优势，并且可以跨越十种不同的语言进行工作，其中甚至包括一些在技术领域较少使用的语言。研究人员还发现，虽然让 AI 智能体自由游走可能很有力量，但一个强制 AI 在每一步都验证其路径的引导式流水线则更加可靠，且不易产生幻觉。他们还注意到，之前的一些基准测试存在数据缺失的问题，因此他们发布了自己经过清理、更新后的测试数据版本，以确保所有人都在公平的赛场上竞争。最终，MARS 表明，对于复杂的推理任务，一个基于模式的、有条理的引导者，往往比一个自由游走的智能体是更好的伙伴，它提供了一种获取准确、有据可依的答案的方法，同时规避了幻觉的风险。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。