Knowledge Graphs Multi-hop Reasoning LLM Integration
摘要

大语言模型(LLMs)虽擅长推理,但缺乏知识图谱(KGs)提供的 grounding。本文提出 GRALAN,通过保留图结构的关系标记,使 KG 直接在 LLM 的语义空间中表达。GRALAN 作为可训练的语言中介器,能为任何冻结的 LLM 生成结构化标记,为知识密集型应用奠定基础。我们将问答任务重构为针对问题相关子图的实体分类,实验表明 GRALAN 在复杂多跳推理任务上显著优于现有方法,确立了兼顾结构保真度与 LLM 推理能力的新范式。

AI 推荐理由

论文核心解决KG与LLM集成以增强复杂多跳推理能力,直接提升推理性能。

研究机构
DeMaCS, University of Calabria
论文信息
作者 Giuseppe Pirrò
发布日期 2026-08-02
arXiv ID 2608.01175
相关性评分 9/10 (高度相关)