MARS：无需微调的多跳自适应检索与SPARQL生成方法

背景

知识图谱问答（KGQA）旨在利用结构化的知识图谱（KG）回答自然语言问题。近年来，大型语言模型（LLM）在推理任务上表现出色，但其固有的幻觉倾向使其在需要最新、可验证事实的知识密集型任务中可靠性不足。将KG与LLM结合，可以利用不断更新且无需昂贵微调的显式符号知识，同时受益于LLM推理能力的快速进步。然而，现有方法要么依赖全自主的智能体探索（开销大、不可预测），要么需要对模型进行微调。在此背景下，MARS（Multi-hop Adaptive Retrieval and SPARQL Generation）作为一种无需模型微调的可扩展KGQA方法被提出。

核心内容

MARS是一种面向知识图谱问答的可扩展方法，无需对LLM进行任何微调。与传统依赖开放式智能体探索的范式不同，MARS执行结构化的检索流程：首先将问题中的实体链接到知识图谱，然后迭代地检索相关的下一跳信息。在每个步骤中，MARS会决定是继续沿图谱遍历，还是生成最终的SPARQL查询语句。这使得模型能够根据问题的复杂度自适应调整检索深度，同时保持整体流程比全自主方法更可预测。

MARS在三个成熟的KGQA基准上进行了评估，涵盖多种LLM和设置，包括多语言评估。通过消融研究和错误分析提供了深入洞察。实验结果显示，MARS在与现有最先进方法竞争时达到了有竞争力的性能，同时保持了效率和可扩展性。评估结果、代码和相关资源均已公开。

关键要点

• 无需微调：MARS不依赖模型微调，直接利用预训练LLM的能力，易于部署和更新。
• 结构化检索：采用分步迭代的图遍历机制，每一步决定继续检索还是生成查询，避免全自主探索的不可预测性。
• 自适应深度：根据问题复杂度动态调整检索步数，兼顾简单问题和复杂多跳查询。
• 生成SPARQL：最终输出标准的SPARQL查询语句，可直接在知识图谱上执行，保证结果的可验证性。
• 多语言支持：在多个LLM和多语言设置下进行了评估，表明方法的通用性。
• 性能高效：在三个基准上达到有竞争力的效果，同时保持计算效率良好。

意义与影响

MARS为KGQA提供了一种实用且可扩展的范式：它不依赖昂贵的模型微调或不可控的智能体循环，而是通过结构化、可退出的检索流程将LLM的推理能力与知识图谱的可靠性相结合。这种设计使得系统能够轻松适配不断更新的知识（无需重新训练模型），且整个问答过程更透明、更可解释。MARS在多个基准上的表现证明，结构化的检索-生成方案可以在不牺牲性能的前提下降低复杂度和成本，为未来将LLM与大型知识图谱结合的实际应用（如企业知识管理、智能问答系统）提供了有价值的参考方向。公开的代码和资源也促进了该领域的可复现研究和后续改进。