关系知识可筛出更省 token 且效果不差的知识图谱上下文。
资讯摘要
论文提出用关系知识（人工编写或从带关系路径标注的训练问题中学习）为 LLM 选取紧凑的知识图谱事实上下文，并加入可推导性检查、一致性检查和路由门控。作者报告七个开源 LLM 在精确匹配上优于按相关性排序的事实；在 CWQ 上以约四分之一提示词 token 达到 SubgraphRAG 的事实效果，路由门控通过时在全部 53 种设置中领先。精度门控在 WebQSP 和 CWQ 上分别回答 18% 和 5% 的留出问题，正确率 90% 和 96%。
要点速读
- 论文用关系知识选取紧凑事实上下文，并配可推导性检查、一致性检查和路由门控。
- 作者报告七个开源 LLM 读取紧凑上下文时精确匹配优于相关性排序事实；CWQ 上以约四分之一提示词 token 匹配 SubgraphRAG 的事实。
- 精度门控在预指定测试中回答 18% 的 WebQSP 和 5% 的 CWQ 留出问题，正确率分别为 90% 和 96%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。