新框架OPI：利用本体引导推理路径，提升多跳知识图谱问答性能

知识图谱问答（KGQA）旨在通过对结构化事实进行推理来回答自然语言问题。现有多跳KGQA方法主要依赖以主题为中心的扩展，面临两大挑战：搜索空间随噪声混合类型路径迅速增长，且检索到的路径可能无法满足复杂问题的语义约束。为应对这些挑战，研究团队提出OPI——一个用于多跳KGQA的本体引导证据路径推理框架。OPI引入关系中心的本体图来捕获关系的头尾类型约束，为答案侧约束提供紧凑接口。基于此本体图，OPI首先通过将预测的答案类型映射到兼容的最终跳关系，并结合主题侧前缀扩展与答案侧最终跳匹配，实现双向检索机制，从而抑制噪声混合类型扩展。OPI进一步采用迭代优化策略，在问题语境下重新评估检索路径和候选答案，过滤类型兼容但与问题无关的证据，以实现更可靠的答案预测。在WebQSP、CWQ和MetaQA上的实验表明，OPI大幅减少了搜索空间，在WebQSP上Hit@1/F1较先前最佳结果提升4.6/5.0个百分点，在CWQ上提升8.9/3.3个百分点，并在MetaQA上仅凭检索模块即实现接近饱和的Hit@1。