深度分析
RSF‑GLLM：可微分軟流與動態門控彌合知識圖譜多跳問答語意鴻溝
多跳知識圖譜問答常因中繼節點與問題詞彙無交集而失效。研究提出RSF‑GLLM，利用可微軟軟流與動態門控在圖上傳遞概率，抽取離散推理路徑再以LLM生成答案。實驗顯示在WebQSP與CWQ上達到90%以上命中率，推論速度提升21倍，此架構亦為大型模型降低資源需求、提升商業化可行性鋪路。
深度分析
多跳知識圖譜問答常因中繼節點與問題詞彙無交集而失效。研究提出RSF‑GLLM，利用可微軟軟流與動態門控在圖上傳遞概率，抽取離散推理路徑再以LLM生成答案。實驗顯示在WebQSP與CWQ上達到90%以上命中率，推論速度提升21倍，此架構亦為大型模型降低資源需求、提升商業化可行性鋪路。
深度分析
Transformer 在多跳關係推理上受限於電路複雜度，需要 Ω(k) 層深度。研究提出 Rasa（Relation‑Aware Sparse Attention）加入稀疏鄰接遮罩與關係類型偏置，將注意力搜尋空間從 2^{n^2} 縮減至 2^{m}。在 MetaQA 3‑跳問題上達到 97.7% 正確率，較 EmbedKGQA 提升近 3 個百分點。