摘要
针对知识图谱（KG）不完整或动态演化的开放世界问答（OW-QA）挑战，传统方法受限于封闭世界假设或缺乏语义 grounding。本文提出 GLOW 系统，融合预训练图神经网络（GNN）与大语言模型（LLM）。GNN 基于图结构预测候选答案，连同相关事实序列化为结构化提示，引导 LLM 进行符号与语义联合推理，无需检索或微调。此外，构建了包含 1000 个问题的 GLOW-BENCH 基准。实验表明，GLOW 在标准基准及新基准上显著优于现有系统，平均提升达 38%。
AI 推荐理由
论文核心在于结合 GNN 结构信息与 LLM 语义理解，解决开放世界下的多跳推理与缺失知识推断问题。
研究机构
Concordia University
IBM
KAUST
论文信息