论文浅尝 | Interactive-KBQA：基于大语言模型的多轮交互KBQA（ACL2024）

转载至：何骏昊 开放知识图谱

原文地址：论文浅尝 | Interactive-KBQA：基于大语言模型的多轮交互KBQA（ACL2024）

笔记整理：何骏昊，东南大学硕士，研究方向为语义解析

论文链接：https://arxiv.org/abs/2402.15131

发表会议：ACL 2024

1. 动机

知识库问答（KBQA）是一个日益重要的研究领域，它利用结构化知识库（KB）为自然语言（NL）问题提供精确答案。大语言模型（LLM）的出现为增强KBQA系统开辟了新途径。这些模型在KBQA领域中的推理和少样本学习方面显示出惊人的结果。该工作的动机主要源于解决KBQA领域中的以下关键挑战：

（1）复杂查询处理的局限性：现有基于信息检索（IR）的方法在处理涉及类型约束、数值比较或多跳推理的复杂查询时表现不足。例如，类似“身高超过2米的篮球运动员有多少人？”的问题需要更深入的语义理解，而传统方法难以有效捕捉此类复杂逻辑。

（2）语义解析（SP）方法的高标注成本：基于语义解析的方法依赖大量标注数据来生成可执行的逻辑形式（如SPARQL查询），但数据标注成本高昂，限制了方法的可扩展性。此外，这类方法的推理过程通常缺乏透明性，形成“黑箱”问题。

（3）大语言模型的潜力未充分释放：尽管LLMs在少样本学习和复杂推理任务中展现了强大能力，但现有KBQA系统主要将其用作分类器或简单生成器，未充分利用其交互式推理能力。例如，许多方法仅用LLMs生成逻辑形式的初稿，而非通过多轮交互动态优化结果。

基于这些挑战，论文提出Interactive-KBQA框架，核心思路是将LLM视为与知识库交互的“智能体”，通过多轮对话逐步生成逻辑形式。这种方法不仅降低了标注成本，还通过交互式工具（如搜索节点、图模式匹配）增强了复杂问题的处理能力，并通过人工干预机制提高了系统的灵活性和可解释性。最终目标是实现一个高效、透明且适应低资源场景的KBQA系统。

2. 贡献

该工作的主要贡献为以下四点：

（1）提出交互式KBQA框架（Interactive-KBQA），将LLM视为与KB交互的智能体，通过多轮对话逐步生成逻辑形式（如SPARQL查询）。  

（2）设计统一工具集与交互逻辑：开发了三个通用API，适配不同知识库（Freebase、Wikidata、Movie KB）；通过标准化工具接口，实现了跨异构知识库的兼容性，简化了复杂查询（如多跳、数值约束、限定符）的处理流程。

（3）实现低资源场景下的高效性能。针对每类复杂问题（如多跳、CVT、限定符），仅需标注2个示例即可引导LLM完成推理。在三个数据集上，使用极少量标注达到或超越传统全监督方法的性能。

（4）发布高质量标注数据集，包含逐步推理过程的人工标注（如交互历史、错误修正记录），涵盖多种复杂问题类型。

3. 方法

3.1 问题定义 

KB定义为三元组集合K∈E×R×(E∪L∪C)，其中E为实体集合，R为关系集合，C为类别集合，L为字面值。给定自然语言问题Q和知识库K，目标是通过语义解析生成可执行的SPARQL查询S，即建模为条件概率p(S|Q，K)。

3.2 框架设计

提出Interactive-KBQA框架（如图1所示），将LLM视为与知识库交互的智能体，通过多轮对话生成逻辑形式（SPARQL）。

交互范式：采用“思考-行动-观察”（Thought-Action-Observation）循环：1. 思考（Thought）：LLM生成自然语言推理步骤（如问题分解、谓词选择）；2. 行动（Action）：调用预定义工具（如搜索节点、执行查询），生成Python风格的API调用指令。3. 观察（Observation）：执行工具后返回结果（如实体列表、子图模式），作为下一轮输入。

终止条件：当LLM生成Action: Done时，输出最终SPARQL查询结果。

图1 Interactive-KBQA框架的交互过程示例

3.3 知识库交互工具

框架基于三个通用工具（SearchNodes、SearchGraphPatterns、ExecuteSPARQL）引导LLM逐步推理复杂问题：

（1）SearchNodes(name)：通过实体表面名称（如“Tom Hanks”）搜索知识库中的节点，返回节点的规范化名称、描述和类型（如“Barack Obama | 美国前总统”）。

（2）SearchGraphPatterns(sparql, semantic)：输入需以“SELECT ?e WHERE”开头的SPARQL片段，返回以 ?e 为中心的一跳子图，并根据语义参数（如“play in film”）对谓词排序。特别优化了Freebase的复合值类型（CVT）结构，例如将“Tom Hanks参演电影”映射为两个单跳关系（film.actor.film → film.performance.film）。

（3）ExecuteSPARQL(sparql)：直接执行任意SPARQL查询，支持灵活探索知识库。

3.4 交互流程

构建提示模板Prompt={Inst，E，Q}，其中Inst为任务指令，E为示例集合，Q为当前问题。每轮交互中，LLM根据历史H={c0,a0,o0,……，ct-1,at-1,ot-1} 生成动作at=LLM{Prompt,H}，其中ct为自然语言推理步骤（如“需查找Tom Hanks参演的电影”），at为工具调用（如SearchNodes、ExecuteSPARQL），ot为工具返回结果。若生成动作“Done”，则输出最终答案。

针对多跳查询，逐步解析谓词而非具体实体（例如“法国的总统是谁？”需先定位国家节点，再搜索“president”关系）；针对Freebase的CVT结构，显式分解为多个单跳关系（如将“演员-角色-电影”拆分为两跳）；针对Wikidata的限定符（如“纽约市2010年人口”），设计专用SPARQL模式，通过修饰符（如point_in_time）约束查询。每类问题提供2个标注示例，引导LLM遵循特定推理路径。

3.5 人机协同标注

允许人工在交互过程中修正LLM的错误动作（如生成不存在谓词），形成修正后的历史{c0,a0,o0,……，a't,o't}，并继续生成后续步骤。标注数据集包含详细的逐步推理过程，用于微调开源LLM（如Mistral-7B），降低对商业API的依赖。

4. 实验

4.1 实验设置

本工作采用：WebQuestionsSP (WebQSP) 和 ComplexWebQuestions 1.1 (CWQ)：基于Freebase，分别包含简单（1-hop）和复杂（多类型）问题，问题类型包括Conjunction (Conj)、Composition (Compo)、Comparative (Compa)、Superlative (Super)；KQA Pro：基于Wikidata，覆盖9类复杂问题（如计数、属性限定符、关系查询）；MetaQA：基于Movie KB，包含1-hop至3-hop问题。 

本工作从每个数据集均匀采样900个实例确保问题类型分布平衡。

4.2 基线方法

本工作采用以下基线方法：

（1）全数据微调方法：DeCAF（WebQSP）、BART-SPARQL（KQA Pro）、Edge-aware（MetaQA）。

（2）提示方法：KB-BINDER（少样本）、Chain-of-Thought (CoT) + Self-Consistency (SC)。

（3）低资源微调方法：在标注数据集上微调开源LLMs（Mistral-7B、Llama2-7B/13B）。

（4）对比方法：StructGPT、ToG（假设实体已链接）。

4.3 评估指标

本工作采用以下评估指标：

（1）F1分数：逻辑形式生成的匹配程度。

（2）RHits@1（随机命中率@1）：答案实体排名第一的比例。

（3）EM（精确匹配）：生成的SPARQL与标注完全一致的比例。

（4）准确率（KQA Pro）：答案集合完全匹配的比例。

4.4 主要结果

如表1所示，该工作在WebQSP和KQA Pro上，由于训练数据量差异，GPT-4 Turbo的性能略低于全监督方法，但在CWQ和MetaQA（表2）上显著超越（如CWQ的总体F1为49.07%，MetaQA的Hits@1达99.67%）。 在复杂问题类型上表现突出，例如CWQ的“比较类”（Compa）和“最高级”（Super）问题分别提升29.85%和13.96%。  

Mistral-7B微调后在CWQ和KQA Pro上的F1分别达到39.90%和64.40%，优于同等规模的基准方法（如SFT-SPARQL的28.10%和57.78%）。 

Llama2-13B在部分任务（如CWQ的Compa问题）上表现接近GPT-4 Turbo（55.98% vs. 47.89%）。

表1 Interactive-KBQA在WebQSP 和 CWQ 上的结果

表2 Interactive-KBQA在MetaQA上的结果

4.5 实体链接的影响

通过对比ELQ工具与论文方法，发现实体链接是性能瓶颈之一。在WebQSP和CWQ上，论文方法的F1分别为80.00%和76.06%，而ELQ仅41.30%和43.81%。引入提及覆盖率（MCR）指标（黄金实体名称在问题中的出现比例）后发现，KQA Pro和MetaQA的MCR较高（80.80%和100%），而WebQSP和CWQ较低（67.42%和76.64%）。

表3 实体链接的结果

4.6 消融实验

示例数量与覆盖率：如表4和表5所示，在CWQ（4类问题）和KQA Pro（9类问题）上，增加示例覆盖率可提升性能（如CWQ 4-shot比0-shot F1提升2.5%），但成本增加37.86%。

表4 问题类型分类器的性能

表5 示例编号和平均价格的影响

骨干模型对比：如表6所示，GPT-4 Turbo显著优于GPT-3.5（CWQ F1为49.07% vs. 13.42%），微调后的Mistral-7B优于未训练版本（CWQ 39.90% vs. 4.76%）。

表6不同骨干模型的性能

4.7 错误分析

如表7所示，错误类型分为六类：实体链接（18%）、谓词搜索（6%）、推理（32%）、格式合规性（17%）、幻觉（19%）及其他（8%）。案例分析显示，人工干预可有效修正幻觉（如生成不存在谓词）和推理错误（如多跳路径遗漏）。例如，在问题“Justin Bieber的兄弟是谁？”中，LLM需通过性别约束修正初始错误答案，最终生成正确的SPARQL查询。

表7 错误类型的分布

5. 总结

该工作提出了Interactive-KBQA框架，通过将大型语言模型（LLM）作为与知识库交互的智能体，以多轮对话形式逐步生成可执行的逻辑形式（如SPARQL查询），解决了传统KBQA方法在处理复杂查询、高标注成本及模型黑箱问题上的瓶颈。其核心创新在于交互式工具设计（如SearchNodes、SearchGraphPatterns）与“思考-行动”范式的结合，允许LLM动态探索知识库结构，并通过少量标注示例引导推理。此外，该方法支持人工干预，能够修正模型错误，形成迭代优化机制，显著提升了低资源场景下的性能与可解释性。 

该工作中实验设计覆盖了四个主流数据集，涵盖从简单到复杂的多类问题（如多跳、数值约束、限定符）。亮点在于：首先，该工作仅用2-4个标注示例即可达到或超越传统方法，凸显了框架的样本效率。其次，该工作通过分类错误类型（如实体链接、幻觉）和案例研究，揭示了模型瓶颈与改进方向。最后，该工作量化交互轮次与推理成本（如GPT-4 Turbo每轮$0.3–$0.5），为实际应用提供参考。 

尽管方法在低资源场景下表现突出，但仍存在明显局限：首先，框架性能高度受限于LLM的推理质量，例如GPT-4 Turbo在复杂问题上的成功率显著高于开源模型（如Mistral-7B）。若LLM生成错误推理步骤（如幻觉谓词），需依赖人工干预修正，这在实际应用中可能增加操作成本。其次，多轮对话导致推理时间与API调用成本上升，尤其对需要高频查询的场景（如实时问答）不够友好。最后，实验集中于特定领域（如电影、人物），未验证在开放域或动态更新知识库中的适应性，且人工标注数据集的规模较小，可能影响模型鲁棒性。 

未来工作需进一步优化工具自动化程度、降低对商业API的依赖，并探索更高效的交互策略（如压缩历史信息），以推动方法在实际系统中的落地。