摘要
知识图谱问答（Knowledge Graph Question Answering, KGQA）旨在通过自然语言查询从知识图谱（Knowledge Graph, KG）中检索实体作为答案。其核心挑战在于学习如何基于与问题相关的知识图谱事实进行推理，这些事实跨越图谱中的实体并最终导向问题的答案。为促进推理过程，系统将问题解码为一系列“指令”——即稠密的问题表示，用于引导知识图谱的遍历。然而，若生成的指令与底层知识图谱信息不完全匹配，可能导致在无关上下文中进行推理，从而影响答案准确性。本文提出了一种名为ReaRev的新方法，从指令解码与执行两个方面革新了KGQA的推理机制。为提升指令解码质量，ReaRev采用自适应推理策略，利用具备知识图谱感知能力的信息，迭代地优化初始指令。为增强指令执行效率，ReaRev通过图神经网络（Graph Neural Networks, GNNs）模拟广度优先搜索（Breadth-First Search, BFS）策略。该策略将指令视为一个集合，支持在运行时动态决定指令的执行顺序，从而更灵活、高效地探索知识图谱路径。在三个主流KGQA基准数据集上的实验结果表明，与现有最先进方法相比，ReaRev在知识图谱不完整或面对复杂问题时展现出显著优势。该方法在复杂推理场景下尤其表现出更强的鲁棒性与准确性。相关代码已公开，可访问：https://github.com/cmavro/ReaRev_KGQA。