知识图谱上下文不必整张图喂给模型:关系知识挑出十几条事实,七个开源模型答得更准
知识图谱问答通常按相关性排序把事实塞进提示词,但相关不等于足够、也不等于彼此一致。这套方法用关系知识(关系含义与组合规则,或从带关系路径标注的训练问题学到的映射)在图上搜出一条能推出答案的紧凑事实集,再用可推导性检查判断答案能否从上下文推出、一致性检查判断事实是否冲突,并由验证集选出的门控决定何时用推导答案替换大模型回答。在 WebQSP 上,七个开源模型读这套平均 14.7 条事实的上下文,精确匹配比读 SubgraphRAG 的 100 条事实平均高 10.2 个百分点。