XoG 用图嵌入补全缺失推理路径，在不完整知识图谱问答上稳定超越无任务训练基线并将 LLM token 消耗最多降低 33%
核心概要
该工作提出 XoG（eXplore-over-Graph）框架，针对不完整知识图谱上的多跳问答，用类型级实体-关系统计识别候选关系、用知识图谱嵌入检索可能缺失的实体，并把 LLM 作为语义选择器与推理器嵌入迭代的规划-探索-推理流程；在 WebQSP、CWQ 与基于 Wikidata 的 BRINK 基准上，XoG 在完整图谱上保持竞争力，在不完整图谱上持续优于未做任务特定 KGQA 训练的可比方法，且该增益在多个 LLM 主干上保持，同时相比一个密切相关的规划式方法将 LLM token 消耗最多降低 33%。
Figure 1: Comparison of LLM+KG reasoning paradigms.
arXiv深度剖析
XoG 从不完整知识图谱中恢复缺失的推理路径，而不是让 LLM 生成缺失知识。 多数基于 LLM 的 KGQA 方法依赖遍历已有图边，路径被缺失事实打断时变得不可靠；让 LLM 生成缺失知识又有引入幻觉证据的风险。XoG 改为从学到的图结构中恢复路径。 摘要明确表述该设计动机与定位，属于框架层面的方法主张，未给出具体消融数值。
XoG 将类型级实体-关系统计与知识图谱嵌入结合，分别用于识别候选关系和检索可能缺失的实体，LLM 充当语义选择器与推理器。 把符号统计、嵌入检索与 LLM 语义判断组合进一个迭代的规划-探索-推理过程，而非单一依赖图遍历或 LLM 参数知识。 摘要给出各组件角色与整合方式，属于方法描述层面的证据。
在 WebQSP、CWQ 和基于 Wikidata 的 BRINK 基准上，XoG 在完整图谱上保持竞争力，在不完整图谱上持续优于未做任务特定 KGQA 训练的可比方法。 把评测重点放在图谱不完整性条件下，并报告相对可比方法的持续优势。 摘要报告三个基准上的实验结果与比较条件（无任务特定 KGQA 训练），未给出具体数值或样本量。
增益在多个 LLM 主干上保持，且相比一个密切相关的规划式方法将 LLM token 消耗最多降低 33%。 说明更强 LLM 本身不足以解决缺失图证据的问题，同时给出效率侧的量化收益。 摘要报告跨主干一致性与最高 33% 的 token 降幅，属于摘要层面的量化陈述。
启示与展望
该工作面向不完整知识图谱上的多跳问答，适用于以结构化图证据为推理依据、且推理路径可能被缺失事实打断的场景；其设计目标是让 LLM 不依赖参数知识去补全缺失事实，而是从学到的图结构中恢复路径。摘要显示该框架在完整图谱上保持竞争力，因此并非只针对不完整设定。对希望在不完整 KG 上部署问答系统、或需要控制 LLM token 开销的读者，XoG 提供了可参考的规划-探索-推理流程与组件分工。
摘要未给出各基准上的具体指标数值、样本规模、不完整性的构造方式，也未说明类型级统计与嵌入检索各自的贡献比例；跨 LLM 主干的一致性虽被报告，但未列出具体主干清单。读者若需判断方法在自身图谱与领域上的适用性，仍需查阅正文中的实验设置与消融结果。