Este artículo propone el Razonamiento Dinámicamente Adaptativo basado en MCTS (DAMR), un novedoso marco para la Respuesta a Preguntas con Grafos de Conocimiento (KGQA). Para superar las limitaciones de los métodos existentes de recuperación y razonamiento y de generación de rutas dinámicas basados en LLM, DAMR integra la búsqueda simbólica basada en la Búsqueda de Árbol de Monte Carlo (MCTS) con la evaluación de rutas adaptativas. Un planificador basado en LLM selecciona las k relaciones más relevantes en cada paso para reducir el espacio de búsqueda, y un calificador ligero basado en transformadores realiza una estimación de verosimilitud sensible al contexto mediante la cocodificación de secuencias de preguntas y relaciones. Además, un mecanismo dinámico de refinamiento de pseudorutas mitiga la falta de datos supervisados de alta calidad. Los resultados experimentales demuestran que DAMR supera significativamente a los métodos de vanguardia existentes.
