Neues Multi-Agent-Framework verbessert Fragen zu unvollständigen Wissensgraphen

Wissensgraphen (KGs) sind ein zentraler Baustein für die Beantwortung von Fragen, doch in der Praxis sind sie selten vollständig. Das führt zu einer Herausforderung, die als Incomplete KGQA (IKGQA) bezeichnet wird: Fragen können nicht zuverlässig beantwortet werden, weil wichtige Fakten im Graphen fehlen.

Viele aktuelle Ansätze versuchen, diese Lücken durch die Einbindung externer Daten zu schließen. Sie stoßen jedoch an Grenzen, weil sie die unterschiedlichen Quellen nicht flexibel und kontextabhängig kombinieren können. Um dieses Problem zu lösen, wurde das neue Framework „Debate over Mixed-knowledge“ (DoM) entwickelt.

DoM nutzt ein Multi-Agent-Debate-Paradigma. Spezialisierte Agenten arbeiten parallel: ein Agent führt die klassische Graphen‑Inference durch, während ein zweiter Agent mithilfe von Retrieval‑Augmented Generation (RAG) aus unstrukturierten Texten relevante Informationen zieht. Anschließend tauschen die Agenten ihre Ergebnisse aus, und ein „Judge“-Agent bewertet und aggregiert die Zwischenergebnisse. Durch diese iterative Interaktion werden die Stärken beider Wissensquellen optimal genutzt.

Das Ergebnis ist eine deutlich robustere Antwortgenerierung, die selbst bei stark unvollständigen KGs zuverlässig funktioniert. DoM demonstriert, wie die Kombination von strukturiertem und unstrukturiertem Wissen die Genauigkeit von KGQA-Systemen erheblich steigern kann.

Darüber hinaus wurde ein neuer Datensatz – Incomplete Knowledge Graph WebQuestions – eingeführt. Er basiert auf realen Aktualisierungen von Wissensgraphen und simuliert damit die unregelmäßige und unvorhersehbare Natur von Wissenslücken besser als bisherige, zufällig erzeugte Testsets.

Die vorgestellte Arbeit zeigt, dass ein dynamisches, mehragentenbasiertes Vorgehen die Grenzen herkömmlicher KGQA-Methoden überwindet und einen vielversprechenden Weg für zukünftige Forschung und Anwendungen eröffnet.