GraphWalker: 합성 경로 학습 기반의 지식 그래프 질의 응답을 위한 에이전트 모델

GraphWalker: Agentic Knowledge Graph Question Answering via Synthetic Trajectory Curriculum

에이전트 기반 지식 그래프 질의 응답(KGQA)은 에이전트가 지식 그래프(KG)와 반복적으로 상호 작용해야 하므로, 학습 데이터 부족과 추론 일반화라는 어려움을 야기합니다. 기존 접근 방식은 종종 에이전트 탐색을 제한하는데, 프롬프트 기반 방법은 자율적인 탐색 훈련이 부족하고, 현재의 학습 파이프라인은 일반적으로 추론을 미리 정의된 경로로 제한합니다. 이에 본 논문에서는 자동 경로 생성 및 단계별 미세 조정 기능을 통해 이러한 문제를 해결하는 새로운 에이전트 기반 KGQA 프레임워크인 GraphWalker를 제안합니다. GraphWalker는 두 단계의 SFT(Supervised Fine-Tuning) 학습 패러다임을 채택합니다. 먼저, 제한된 랜덤 워크 경로에서 생성된 구조적으로 다양한 경로를 사용하여 에이전트를 훈련하여 KG에 대한 광범위한 탐색 능력을 구축합니다. 다음으로, 에이전트는 전문가가 설계한 소규모 데이터셋을 사용하여 사고 및 오류 복구 능력을 개발하도록 추가 미세 조정됩니다. 광범위한 실험 결과는 단계별 SFT 패러다임이 경량 강화 학습(RL) 단계를 위한 성능 향상을 가능하게 하며, GraphWalker가 CWQ 및 WebQSP에서 최첨단 성능을 달성함을 보여줍니다. GrailQA 및 자체 구축한 GraphWalkerBench에 대한 추가 결과는 GraphWalker가 일반화된 추론 경로에서의 성능을 향상시킴을 확인합니다. 코드 공개 URL: https://github.com/XuShuwenn/GraphWalker.

Agentic knowledge graph question answering (KGQA) requires an agent to iteratively interact with knowledge graphs (KGs), posing challenges in both training data scarcity and reasoning generalization. Specifically, existing approaches often restrict agent exploration: prompting-based methods lack autonomous navigation training, while current training pipelines usually confine reasoning to predefined trajectories. To this end, this paper proposes GraphWalker, a novel agentic KGQA framework that addresses these challenges through Automated Trajectory Synthesis and Stage-wise Fine-tuning. GraphWalker adopts a two-stage SFT training paradigm: First, the agent is trained on structurally diverse trajectories synthesized from constrained random-walk paths, establishing a broad exploration prior over the KG; Second, the agent is further fine-tuned on a small set of expert trajectories to develop reflection and error recovery capabilities. Extensive experiments demonstrate that our stage-wise SFT paradigm unlocks a higher performance ceiling for a lightweight reinforcement learning (RL) stage, enabling GraphWalker to achieve state-of-the-art performance on CWQ and WebQSP. Additional results on GrailQA and our constructed GraphWalkerBench confirm that GraphWalker enhances generalization to out-of-distribution reasoning paths. The code is publicly available at https://github.com/XuShuwenn/GraphWalker.