PlanQA: A plan-execute-reason framework for knowledge graph question answering using large language models

doi:10.1016/j.eswa.2026.132215

PlanQA: A plan-execute-reason framework for knowledge graph question answering using large language models

2026-03-26

0

PRE

AI

DOI：10.1016/j.eswa.2026.132215

原文链接

原文求助

摘要

En 中文

近期，大型语言模型（LLMs）在许多任务中表现出卓越的性能。然而，由于仅依赖LLMs中存储的信息会带来显著风险，近期的研究工作已聚焦于结合知识图谱等外部信息来源与LLMs的应用。本文专注于利用LLMs基于知识图谱中存储的信息进行问答，即知识图谱问答（KGQA）。以往的KGQA方法存在两大局限性，导致难以可靠地检索回答问题所需的信息：它们将连接到主题实体且具有相同关系路径的实体分开处理，并且未能精确定义可用于回答问题的步骤。为解决这些问题，我们提出了一种新的KGQA框架——PlanQA，采用计划-执行-推理（Plan-Execute-Reason）模式。具体而言，我们引入了一种通用且可靠的规划方法，使LLMs能够可靠地解决不同类型的问题。我们还提出了名为Execution Alteration的算法，用于探索多样化的关系路径。PlanQA在四个公开的KGQA数据集WebQSP、CWQ、GrailQA和GraphQA上，超越了现有最先进模型的性能。

Keyword:

PlanQA

Knowledge Graph Question Answering

Large Language Models

Plan-Execute-Reason framework

Execution Alteration

PlanQA: A plan-execute-reason framework for knowledge graph question answering using large language models

摘要

期刊

机构

引用论文