知识图谱推理思路

已有工作

KAM-CoT: 利用知识图谱进行知识增强的多模态链式推理（AAAI2024）

KAM-CoT框架采用了一个两阶段的输出过程：

• 第一阶段：生成推理（Rationale Generation），该阶段的目标是生成一个推理过程，帮助理解问题到答案的逻辑步骤。输入包括文本、图像和图特征，这些通过各自的编码器进行处理。然后，模型通过交叉注意力机制整合这些信息，最终通过Transformer解码器生成推理过程的文本。       问题 => 答案    给出 推理文本

• 第二阶段：答案识别（Answer Identification）。在此阶段，模型会使用第一阶段生成的推理过程作为额外的输入，来选择或生成正确的答案。具体而言，模型将第一阶段生成的推理文本与原始问题、上下文和答案选项一起作为输入。在这个过程中，模型会重复第一阶段的编码、交互和融合步骤，但这次会包含推理文本作为输入的一部分。最后，模型基于扩展的输入和融合的特征表示，使用Transformer解码器再次生成或选择正确的答案，并输出最终结果，该结果还会包含相应的解释或推理过程。 推理文本 + 原始问题 + 上下文 + 候选实体 = 输入 ==》 最终结果

CoTKR: Chain-of-Thought Enhanced Knowledge Rewriting for Complex Knowledge Graph Question Answering

从知识图谱中检索与问题相关的子图，然后使用CoTKR将其转化为上下文知识。这种上下文知识以及问题本身，促使问答模型生成答案。这一框架的核心是知识改写器。

简而言之，它交替执行以下两种操作：

推理：分解问题并基于生成的知识表示形式生成推理轨迹，指出当前步骤所需的具体知识。

总结：基于当前的推理轨迹总结相关的知识。