Interactive-KBQA：一个基于LLM并支持多轮交互的知识库问答系统

论文《Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question Answering with Large Language Models》（arXiv链接）提出了一种新颖的交互式知识库问答框架。说白了，它让大型语言模型（LLM）不再像过去那样需要海量标注数据，而是通过多轮对话直接与知识库打交道，一步步生成逻辑形式。传统基于语义解析的方法成本高、数据依赖重，而这种方法用三个通用API就绕开了很多麻烦。

Interactive-KBQA交互过程概述

具体来说，研究者一口气开发了三个API来和知识库交互，并且针对不同复杂度的问题类别都准备了推理示例，引导LLM一步步思考。这三个API分别是：

1. SearchNodes——这个函数负责在知识库里搜索节点，基于给定的实体名称。它的本质就是实体链接，但用法更通用——返回节点的正式名称、描述、类型等特征。等于绕过现有的实体链接技术，直接用检索搞定。

2. SearchGraphPatterns——这个函数负责识别和排序知识库中的关键图谓词，根据语义参数来引导。使用时需要输入一个以“SELECT ?e WHERE”开头的SPARQL查询，然后对以实体?e为中心的一跳子图进行查询（包括进出的边）。接着，根据语义参数和三元组中谓词的语义相关性，对检索到的三元组排序，返回前K个。目的是精准抓取子图，丢掉无关信息，从而节省LLM的上下文窗口。

3. ExecuteSPARQL——这个工具最直接，允许你执行任意SPARQL查询，灵活性没得说。复杂查询也能顺手搞定，从知识库里捞数据不在话下。

Interactive-KBQA交互示例

这套方法在WebQuestionsSP、ComplexWebQuestions、KQA Pro和MetaQA多个数据集上都跑出了有竞争力的结果。更关键的是，它支持人工干预，可以逐轮优化LLM的输出。通过标注数据集和展示逐步推理过程，研究者证明了模型的适应能力，也点出了它对领域的潜在价值。

论文还回顾了相关工作，包括基于信息检索和语义解析的KBQA方法，以及LLM在这类任务上的应用。问题的形式化定义、交互流程概览、知识库工具的设计原则也一一铺开。最后，实验验证了Interactive-KBQA的有效性，并给出了详细的错误分析。