有界路径上下文：基于 LLM 的知识图谱问答中可见路径历史的对照研究

本文针对基于大语言模型的知识图谱问答任务，研究了将完整部分路径序列化至提示中的默认做法。提出“有界路径上下文”（BPC）方法，将控制器的符号记忆与关系选择提示解耦：控制器保留完整路径用于答案提取，而提示仅暴露问题、当前实体及最近 K 跳历史。实验表明，限制历史长度（如 K=1）在 WebQSP 和 CWQ 数据集上性能优于或等同于全历史提示，同时显著减少输入令牌数。研究指出路径序列化长度应作为可调变量而非默认假设。