GRAIL：用于检索增强推理的大型知识图谱交互学习

将大型语言模型（LLMs）与检索增强生成（RAG）技术相结合，已在多个领域展现出卓越的性能。然而，现有的RAG方法主要针对非结构化数据，对于知识图谱等结构化知识的处理能力有限。与此同时，当前的图谱检索方法在捕捉整体图结构方面存在根本性困难，同时面临精度控制难题，表现为关键信息缺失或冗余连接过多，这些问题共同削弱了模型的推理能力。 为应对这一挑战，我们提出GRAIL：图谱检索增强的交互式学习框架（Graph-Retrieval Augmented Interactive Learning），该框架旨在与大规模图谱进行交互，实现检索增强型推理。具体而言，GRAIL结合了LLM引导的随机探索与路径过滤机制，构建了一条数据合成流水线，能够为每个任务自动生成细粒度的推理轨迹。基于合成数据，我们进一步采用两阶段训练策略，学习一个策略模型，以动态决定每个推理步骤中的最优操作。我们将图谱检索中精度与简洁性之间的整体优化目标，分解为细粒度的过程监督奖励，从而提升数据利用效率与训练稳定性。 在实际部署中，GRAIL采用交互式检索范式，使模型能够自主探索图谱路径，同时动态平衡检索的广度与精度。大量实验结果表明，GRAIL在三个知识图谱问答数据集上，平均准确率提升了21.01%，F1值提升了22.43%。我们的源代码与数据集已公开，获取地址见此链接：[https URL]。