استنتاج الرسم المعرفي (KGR) هو المهمة التي تتمثل في استخلاص معرفة جديدة من خلال إجراء استنتاجات منطقية على الرسوم المعرفية. في الآونة الأخيرة، أظهرت النماذج اللغوية الكبيرة (LLMs) أداءً متميزًا في المهام المعقدة المتعلقة بالاستنتاج. وعلى الرغم من النجاح الواعد، تواجه الطرق الحالية القائمة على النماذج اللغوية الكبيرة في مجال KGR تحديين جوهريين. أولاً، غالبًا ما تستخرج الطرق الحالية مسارات الاستنتاج بشكل عشوائي دون تقييم أهميتها المختلفة، مما قد يؤدي إلى إدخال ضوضاء غير ذات صلة تُربك النماذج اللغوية الكبيرة. ثانيًا، وعلى الرغم من أن العديد من الطرق تستفيد من النماذج اللغوية الكبيرة لاستكشاف مسارات استنتاج محتملة بشكل ديناميكي، إلا أنها تتطلب متطلبات استرجاع عالية وعددًا كبيرًا من الاستدعاءات إلى النماذج اللغوية الكبيرة. وللتغلب على هذه القيود، نقترح "PathMind"، وهي إطار عمل جديد مصمم لتعزيز الاستنتاج الدقيق والقابل للتفسير من خلال توجيه النماذج اللغوية الكبيرة بشكل انتقائي عبر مسارات استنتاج مهمة. وبشكل محدد، يتبع PathMind نموذجًا يُعرف بـ "استرجاع-تصنيف-استنتاج". أولاً، يسترجع إطار العمل فرعًا متعلقًا بالاستعلام من الرسم المعرفي من خلال وحدة الاسترجاع. ثم، يُقدّم آلية تصنيف المسارات التي تُحدد المسارات الاستنتاجية المهمة باستخدام دالة تصنيف مسارات تعتمد على السياق (semantic-aware path priority function)، والتي تأخذ بعين الاعتبار في آنٍ واحد التكلفة التراكمية والتكلفة المستقبلية المقدرة للوصول إلى الهدف. وأخيرًا، يُولّد PathMind إجابات دقيقة ومتسقة منطقيًا من خلال استراتيجية تدريب ثنائية المرحلة، تشمل التدريب المخصص للتعليمات المخصصة للمهام، والتوافق التفضيلي على مستوى كل مسار. وقد أظهرت التجارب الواسعة على مجموعات بيانات معيارية أن PathMind تتفوّق باستمرار على الطرق الأساسية المنافسة، خصوصًا في المهام المعقدة التي تعتمد على عدد أقل من الرموز المدخلة، من خلال التعرف على المسارات الاستنتاجية الجوهرية.