GR-Agent: Neuer Graph-Reasoning-Agent für KGQA bei unvollständigen Graphen

Large Language Models (LLMs) haben in der Frage‑Antwortung auf Wissensgraphen (KGQA) beeindruckende Ergebnisse erzielt. Dabei gehen die meisten Benchmarks jedoch davon aus, dass der zugrunde liegende Wissensgraph vollständig ist und die gesuchten Fakten direkt als Tripel vorhanden sind. In der Praxis sind Wissensgraphen häufig unvollständig, sodass Antworten aus vorhandenen Fakten abgeleitet werden müssen.

Um dieses Problem anzugehen, wurde eine neue Methodik entwickelt, mit der Benchmarks unter Bedingungen der KG‑Unvollständigkeit erstellt werden können. Dabei werden direkte unterstützende Tripel entfernt, während alternative Beweiswege erhalten bleiben. Experimente zeigen, dass bestehende Verfahren unter diesen Bedingungen deutlich schlechter abschneiden, was ihre begrenzten inferenziellen Fähigkeiten offenlegt.

Als Lösung präsentiert das Forschungsteam den Adaptive Graph Reasoning Agent (GR‑Agent). Der Agent baut zunächst ein interaktives Umfeld aus dem Wissensgraphen auf und formuliert KGQA als Interaktion zwischen Agent und Umgebung. Durch einen Aktionsraum, der graphische Reasoning‑Tools umfasst, und ein Gedächtnis für potenzielle Beweismittel, kann der GR‑Agent komplexe Beweiswege verfolgen und relevante Relationen nutzen.

Umfangreiche Tests zeigen, dass der GR‑Agent die nicht trainierten Baselines übertrifft und bei sowohl vollständigen als auch unvollständigen Graphen Leistungen liefert, die mit trainierten Modellen vergleichbar sind. Damit demonstriert der Agent, dass eine adaptive, interaktive Herangehensweise die Lücke zwischen LLM‑Leistung und realen, unvollständigen Wissensgraphen schließen kann.