基于程序分解链的自适应复杂知识库问答框架PDC-ACQA：提升语义解析与推理性能的创新研究

本文提出了一种创新的自适应复杂知识库问答框架PDC-ACQA（Program Decomposition Chain-based Adaptive Complex Question Answering），通过引入程序分解链（Program Decomposition Chain）显式建模子问题关联，结合专家反馈自校正策略（EFSC）和差异化处理机制，显著提升了基于程序归纳（PI）的复杂问答（CQA）性能，在KQA Pro数据集上达到94.81%的准确率。

　　

Highlight

本研究的核心创新点包括：

1. 1.
   提出PDC-ACQA自适应框架，为可分解与不可分解查询提供差异化程序归纳（PI）解决方案，显著增强复杂知识库问答（KBQA）系统的鲁棒性。
2. 2.
   设计结构化程序分解链，显式表征复杂查询的渐进分解过程并建模子问题间关联，提升大语言模型（LLM）的渐进分解能力。
3. 3.
   将基于专家反馈的自校正策略（EFSC）引入基于程序归纳的问答任务，实现对各步骤分解结果的动态评估与优化。
4. 4.
   实验结果表明，该自适应框架性能超越所有基线方法，有效提升基于程序归纳的问答整体性能。

Complex KBQA

为深入理解复杂知识库问答的潜在挑战与解决方案，Lan等人将现有方法按工作机制分为两类：基于信息检索的方法和基于语义解析的方法。信息检索方法主要采用“检索-生成”范式，先从知识库（KB）提取问题相关子图，再利用推理指令生成答案；而语义解析方法则侧重于将自然语言问题转化为可执行的逻辑形式（如程序），通过知识库执行直接获取答案。

Problem Formulation

本节首先给出知识库、程序归纳（Program Induction）和程序分解链（Program Decomposition Chain）的基本定义，随后描述本研究的具体任务。

Overall Framework

本研究提出PDC-ACQA——一种新型自适应复杂问答框架，通过为可分解与不可分解查询提供差异化程序归纳解决方案，提升复杂知识库问答的整体性能与鲁棒性。如图3所示，PDC-ACQA包含五个核心模块：问题分解判别器（QDD）、程序归纳模型（PIM）、基于程序分解链的提示构造器（PC-PDC）、专家模型（EMs）及程序聚合器（PA）。

Experiments

我们首先介绍基准数据集与基线方法，详细说明实验设置，最后在第5.4节对比PDC-ACQA与其他基线的主要结果，并在第5.5节从多角度进一步分析本方法的性能。

Conclusion

本研究提出PDC-ACQA——一种基于程序分解链的高效自适应复杂问答框架，以缓解基于程序归纳的问答中的语义解析难题。具体而言，我们利用问题分解判别器生成的程序分解链判定复杂查询的可分解性并建模子问题关联。对不可分解查询，直接使用程序归纳模型进行解析；对可分解查询，则通过渐进分解提示与自校正机制协同生成高质量子问题序列，最终聚合为完整可执行程序。