reasoning-on-graphs

让大模型推理有据可依，每一步都可解释

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 68 🐛 待处理 8 👀 关注 8

GitHub ↗

GitHub 星标 ★ 536

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，需自行部署使用。

项目预览

reasoning-on-graphs 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队RManLuo

GitHubhttps://github.com/RManLuo/reasoning-on-graphs

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型kg,knowledge,large-language-models,llm,reasoning,reasoning-on-graph

GitHub 星标★ 536

上线时间2023-10-01 00:00:00

代码更新2025-03-05

仓库体积16.8 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数6

项目介绍

Reasoning on Graphs 是 ICLR 2024 论文的官方实现，旨在解决大语言模型在复杂推理任务中缺乏可解释性和事实一致性的问题。它提出了一种名为 RoG 的方法，将推理过程与知识图谱结合，通过规划关系路径来引导大模型生成更可靠、可验证的答案。核心能力包括：从知识图谱中提取关系路径作为推理依据，将路径与问题共同输入大模型以增强推理，以及通过对比学习优化路径生成。项目提供了完整的训练和推理代码，支持多个基准数据集，并包含预训练模型权重。它主要面向需要高可信度推理的场景，如问答、事实验证等。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 536

技术标签

knowledge large-language-models llm reasoning

使用教程

难度：高级约 70 分钟部署方式：本地GPU 5 步

环境要求

PyTorch
知识图谱数据
GPU

安装与启动步骤

1装依赖

官方实现，按 requirements 装。
```
pip install -r requirements.txt
```
2准备知识图谱

它要在图上推理，图谱质量决定上限。
3建对齐数据

先把问题与图谱实体对齐，这是最花时间的一步。
```
python src/align_kg/build_align_qa_dataset.py -d RoG-webqsp --split train
```
4训练

先预处理再联合训练。
```
python src/joint_training/preprocess_qa.py
```
5生成可解释路径

它的卖点是给出推理路径，别只看答案对错。
```
python src/qa_prediction/predict_answer.py
```