核心发现
方法论
本文提出两阶段的RoHT框架：首先构建层级问句分解树（HQDT）以理解复杂问题的语义结构；其次，递归进行概率推理，从根到叶节点融合知识源（KB和文本），通过调度器选择合适的知识源，执行器获取答案，最后聚合最优解。该方法结合了问句分解与多源知识融合，利用贝叶斯概率模型考虑分解和回答的概率，显著提升复杂问答性能。
关键结果
- 在KQA Pro和Musique两个复杂问答数据集上，RoHT在KB+Text设置下分别实现了29.7%和45.8%的EM提升，超越了现有SOTA方法。特别是在Musique数据集上，F1得分提升11.3%。
- 实验显示，RoHT在多源知识融合中优于TransferNet等端到端模型，充分利用问句分解树的结构信息，增强了模型的解释性和泛化能力。
- 通过消融实验验证，问句分解树的构建和概率推理机制是性能提升的关键，特别是在多源信息整合和复杂推理任务中表现优异。
研究意义
该研究突破了传统单一知识源的限制，提出系统性整合异构知识的框架，有助于提升AI系统在复杂场景下的推理能力与可解释性。其创新的问句分解树结构和概率推理机制，为多源信息融合提供了新思路，推动了可解释问答和多模态推理的发展，具有重要的学术价值和实际应用潜力。
技术贡献
本文首次提出层级问句分解树（HQDT）用于多源知识整合，结合贝叶斯概率模型进行递归推理，显著提升复杂问答的准确性与可解释性。设计的调度器、执行器和聚合器模块实现了知识源的动态选择与融合，为多源信息整合提供了新范式，超越了传统的端到端模型和图结构方法。
新颖性
创新点在于引入层级问句分解树结构，系统性地表示复杂问题的多层次语义关系，并结合概率推理机制实现异构知识的动态融合。与以往仅关注单一知识源或简单问句分解的方法不同，RoHT实现了多源、多层次的高效整合，首次将问句分解树应用于复杂问答中的多源知识融合。
局限性
- 模型在极端复杂或模糊问句的分解与推理中仍存在误差，尤其在问句语义歧义或知识源不完整时表现有限。
- 构建HQDT依赖于问句分解模型的准确性，训练数据的不足可能影响整体性能。
- 推理过程计算成本较高，尤其在大规模知识库和多源文本融合场景中，存在效率瓶颈。
未来方向
未来将探索更鲁棒的问句分解策略，结合多模态信息（如图像、视频）进行多源知识融合，提升模型的泛化能力。同时，优化推理效率，结合硬件加速技术，推动其在实际应用中的部署。
AI 总览摘要
复杂问答系统的核心挑战在于如何有效整合多源异构知识，尤其是在面对结构化知识库（KB）与非结构化文本时。传统方法多局限于单一知识源或简单的问句分解，难以应对多层次、多关系的复杂问题。本文提出的RoHT框架，通过构建层级问句分解树（HQDT），系统性地表达问题的语义层次，结合贝叶斯概率模型进行递归推理，从而实现多源知识的动态融合。该方法在两个复杂问答数据集KQA Pro和Musique上表现优异，显著超越现有SOTA，验证了其在复杂推理和可解释性方面的优势。RoHT的设计不仅提升了问答准确率，也为多源信息融合提供了新思路，具有广泛的学术和工业应用潜力。未来，模型将进一步优化推理效率，扩展多模态融合能力，推动智能问答系统的实用化发展。
深度分析
研究背景
随着人工智能的发展，问答系统逐渐从简单信息检索演变为复杂推理。早期方法如基于知识库的SPARQL查询和神经符号方法，虽然具备良好的解释性，但受限于知识库的完整性。近年来，深度学习模型如BERT、GPT系列推动了自然语言理解，但在多源知识融合和复杂推理方面仍有不足。图神经网络（GNN）和端到端的多模态模型虽取得一定进展，但缺乏系统性结构表达和可解释性。问句分解技术如QDMR、KoPL等，虽能拆解复杂问题，但多依赖人工标注或有限的推理能力。整体来看，如何高效融合异构知识源，提升推理能力，仍是研究热点。
核心问题
当前问答系统多集中于单一知识源或简单问句，面对多源异构信息时表现不足。复杂问题的多层次语义关系难以表达，问句分解的准确性和推理的可靠性成为瓶颈。此外，缺乏系统性结构模型，导致知识融合不充分，影响答案的准确性和解释性。如何设计一种既能表达复杂语义，又能动态融合多源知识的框架，是亟待解决的核心问题。
核心创新
本文创新点在于提出层级问句分解树（HQDT），系统性地表达复杂问题的多层次结构，结合贝叶斯概率模型进行递归推理，实现多源知识的动态融合。引入调度器、执行器和聚合器模块，动态选择知识源，提升推理的灵活性和准确性。该方法区别于传统的端到端模型和图结构方法，提供了更具解释性和可扩展性的解决方案。
方法详解
- �� 构建HQDT：利用BART问句分解器生成叶节点（原子问题），再递归生成非叶节点，形成多层次结构。
- �� 采用贝叶斯概率模型：在推理过程中，结合问句分解的概率和回答的概率，递归从根到叶融合多源知识。
- �� 调度器：根据语义解析结果，动态判断使用KB、文本或子问题回答。
- �� 执行器：调用KB、文本阅读理解模型或递归求解子问题，获取答案及其概率。
- �� 聚合器：融合所有知识源的答案，输出最优答案。
- �� 训练：利用KoPL程序和标注数据训练问句分解器和生成器，结合弱监督策略提升性能。
实验设计
在KQA Pro和Musique两个数据集上，采用多源知识融合设置，比较RoHT与多种基线（如TransferNet、KVMemNN、RGCN等）。指标包括EM和F1，超越SOTA显著。参数调优包括问句分解模型、调度阈值和知识源选择策略。通过消融实验验证问句树结构和概率推理的贡献，展示模型在多层次、多关系推理中的优越性。
结果分析
RoHT在KQA Pro上，EM提升29.7%，在Musique上提升45.8%，远超端到端模型。引入文本补充后，F1提升11.3%。问句分解树显著增强了模型的推理能力和解释性，特别是在多跳、多关系问题中表现优异。消融实验表明，结构化问句树和贝叶斯推理机制是性能提升的关键因素。
应用场景
该模型适用于复杂问答、知识图谱问答、多模态推理等场景。可在智能客服、知识管理、教育辅导等行业中部署，提升系统的推理深度和透明度。未来结合多模态信息，将推动更智能、更可信的AI应用。
局限与展望
模型在极端复杂或歧义问句中仍存在误差，问句分解依赖训练数据质量，推理过程计算成本较高。未来需优化问句理解和推理效率，扩展多模态融合能力，增强模型的实用性和鲁棒性。
通俗解读 非专业人士也能看懂
想象你在厨房做菜，面对一道复杂的菜肴，需要准备多种食材、调料。你会把大任务拆成几个小任务，比如先切菜、调味，然后再组合起来。每个小任务可以用不同的工具，比如刀、调味料瓶。有时候，你会先查资料，确认每个步骤怎么做。这个过程就像问答系统中的问句分解，把复杂问题拆成简单问题，用不同的知识源（书本、网络）来解决。最后，把所有答案合起来，就能做出一道美味的菜。这种方法让复杂的事情变得更容易理解和操作，系统也更聪明、更透明。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的拼图游戏，拼出一幅大画。这个拼图有很多块，每块都代表一个小问题。你先把大问题拆成几个小问题，比如：‘这幅画里有哪些动物？’‘它们的颜色是什么？’然后，你用不同的方法找答案，比如看图片、查字典、问朋友。每个小问题的答案都帮你拼出大画的一部分。最后，把所有部分拼在一起，你就完成了整个拼图。这个过程就像问答系统，把复杂的问题拆成简单的部分，用不同的知识源找到答案，再把答案组合起来，变得更聪明、更容易理解。
原文摘要
Explainable question answering (XQA) aims to answer a given question and provide an explanation why the answer is selected. Existing XQA methods focus on reasoning on a single knowledge source, e.g., structured knowledge bases, unstructured corpora, etc. However, integrating information from heterogeneous knowledge sources is essential to answer complex questions. In this paper, we propose to leverage question decomposing for heterogeneous knowledge integration, by breaking down a complex question into simpler ones, and selecting the appropriate knowledge source for each sub-question. To facilitate reasoning, we propose a novel two-stage XQA framework, Reasoning over Hierarchical Question Decomposition Tree (RoHT). First, we build the Hierarchical Question Decomposition Tree (HQDT) to understand the semantics of a complex question; then, we conduct probabilistic reasoning over HQDT from root to leaves recursively, to aggregate heterogeneous knowledge at different tree levels and search for a best solution considering the decomposing and answering probabilities. The experiments on complex QA datasets KQA Pro and Musique show that our framework outperforms SOTA methods significantly, demonstrating the effectiveness of leveraging question decomposing for knowledge integration and our RoHT framework.