Explore-on-Graph：面向不完整知识图谱问答的嵌入与 LLM 混合推理

研究者提出 XoG（eXplore-on-Graph）框架，用于在知识图谱不完整时进行多跳问答。它不依赖 LLM 生成缺失事实，而是从已学习的图结构中恢复断开的推理路径：结合类型级实体关系统计与 KG 嵌入检索候选缺失实体，再由 LLM 充当语义选择器和推理器，并整合为迭代的规划—探索—推理流程。在 WebQSP、CWQ 和 Wikidata 的 BRINK 基准上，XoG 在完整图谱上保持竞争力，在不完整图谱上稳定优于未做特定 KGQA 训练的方法，同时将 LLM token 消耗最多降低 33%。

此前多数基于 LLM 的 KGQA 依赖遍历已有图边，一旦缺失事实导致推理路径断裂就失效；而让 LLM 自行补全知识又会引入幻觉证据。XoG 的改变在于把缺失路径的恢复交给图嵌入与结构统计，LLM 只做语义判断，从而在知识图谱不完整时仍保持可用，并降低对更强 LLM 的依赖。

机制上，XoG 用类型级实体—关系统计先筛选可能的关系候选，再用 KG 嵌入从图结构中检索合理的缺失实体，把补全依据限定在学习到的图结构而非 LLM 参数知识，减少幻觉；随后由 LLM 在候选集合中做语义选择与多跳推理，并与规划、探索、推理循环耦合，使每一步补全都受图证据约束。

对知识图谱问答类产品，这意味着在数据缺失、长尾覆盖不足的场景下不必先补全图谱即可上线可用问答；对研发，可将 LLM 调用集中在语义选择而非遍历推理，降低 token 成本高达 33%；但也要求团队具备 KG 嵌入与类型统计的工程能力，并需评估图嵌入质量对补全准确率的约束。

• 在内部知识图谱问答或客服检索产品中试点 XoG 式流程，先测不完整图谱下的多跳问答准确率与 token 成本。
• 将图嵌入检索缺失实体作为独立模块，接入现有 RAG 或 KGQA 管线，用于补全断开的推理路径。
• 针对自身业务图谱构建类型级实体—关系统计表，作为关系候选筛选的前置过滤层，降低 LLM 调用量。
• 在多 LLM 后端上复现 WebQSP、CWQ、BRINK 的对比实验，验证换用更小模型后效果是否仍稳定。

• XoG 在真实企业规模、异构且噪声较多的知识图谱上是否仍保持实验中的效果？
• 图嵌入质量下降或类型统计稀疏时，恢复缺失路径的准确率边界在哪里？
• token 消耗降低 33% 是对比哪个具体规划式方法，其绝对成本与端到端延迟如何？
• BRINK 等基准的不完整度设置与生产环境的数据缺失分布是否接近？