MARS：面向知识图谱问答的多跳自适应检索与SPARQL生成

MARS提出一种无需微调的知识图谱问答方法，通过结构化检索将问题实体链接到知识图谱，并迭代地检索下一跳信息，每一步决策是继续遍历还是生成最终SPARQL查询，从而自适应检索深度。在多个KGQA基准上取得与最先进方法竞争的性能，代码已公开。

此前KGQA方法常需微调或开放探索，MARS通过结构化迭代检索和可自适应深度的SPARQL生成，无需微调且流程更可预测，在多个基准上达到竞争性能，降低了知识图谱问答的部署成本。

MARS将问题实体链接至知识图谱，每一步迭代检索当前实体邻接信息，并根据是否需更多跳信息决定继续遍历或生成SPARQL查询。这种自适应深度机制使检索步骤可控，避免完全代理方法的不可预测性，同时利用了显式符号知识。

MARS无需昂贵微调即可持续更新知识图谱，减少LLM幻觉，适合需要可靠、可更新知识的产品（如智能客服、企业知识库）。其结构化检索流程比全代理方法更可预测，便于产品集成和调试。

• 参考MARS开源代码，开发无需微调的知识问答模块，嵌入企业内网知识库系统
• 结合用户自定义知识图谱，构建面向特定领域（医疗、法律）的可靠问答产品

• MARS在非常大规模知识图谱上的检索效率如何？
• 是否支持动态知识图谱的实时更新？
• 多语言评估的具体表现与单语有何差异？