MARS：面向知识图谱问答的多跳自适应检索与 SPARQL 生成

大型语言模型虽具备强大推理能力，但幻觉问题限制了其在知识密集型任务中的可靠性。本文提出 MARS，一种无需微调的可扩展知识图谱问答方法。该方法结合知识图谱的显式符号知识与 LLM 的推理优势，执行结构化多跳检索程序，将问题实体链接至图谱并迭代获取相关信息。MARS 能自适应决定继续图遍历或生成最终 SPARQL 查询，在保持流程可预测性的同时动态调整检索深度。实验表明，该方法在多个基准测试中性能媲美最先进技术，且高效可扩展。