# 知识图谱问答

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%。

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%。

该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。

该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。