Multi-hop Question Answering over Knowledge Graphs using Large Language Models

知识图谱（KG）是具有特定结构的大型数据集，表示大型知识库（KB），其中每个节点表示关键实体，它们之间的关系是有类型的边缘。从KB中提取信息的自然语言查询需要从特定节点开始，并通过对应KG的多个边缘进行推理，以到达正确的答案节点。传统的KG问答方法基于（a）语义解析（SP），其中使用节点和边缘嵌入生成逻辑形式（例如S表达式、SPARQL查询等），然后对这些表示进行推理或调整语言模型以直接生成最终答案，或者（b）基于信息检索，通过顺序提取实体和关系来工作。在本研究中，我们评估了LLMs在涉及多次跳跃的KG问题上回答问题的能力。我们表明，根据KG的大小和性质，我们需要不同的方法来提取和馈送相关信息到LLM，因为每个LLM都带有固定的上下文窗口。我们在六个KG上评估了我们的方法，有些有特定于示例的子图，有些没有，并展示了IR和SP基于方法都可以被LLMs采用，从而产生极具竞争力的性能。

本论文旨在评估语言模型（LLMs）在多跳知识图谱（KG）问答中的能力，探究不同规模和性质的KG对于提取和提供相关信息给LLMs的不同方法，并在六个KG上进行了实验。

论文通过评估LLMs在多跳KG问答中的表现，展示了IR和SP方法可以被LLMs采用，从而实现了极具竞争力的性能。

本论文的实验在六个KG上进行，包括有和没有示例特定子图的情况，实验结果表明LLMs可以在多跳KG问答中取得竞争性能。此外，论文提出了不同规模和性质的KG需要不同的方法来提取和提供相关信息给LLMs的观点值得关注。

近年来在多跳KG问答方面的相关研究包括《Multi-hop Knowledge Graph Reasoning with Reward Shaping》、《Multi-hop Knowledge Graph Reasoning via Bidirectional Context Interaction》等。