1.一种结合大模型与图神经网络的知识图谱问答方法，其特征在于：包括以下步骤：步骤一：问题分解：利用大模型的上下文学习能力对多跳问题进行分解，分解的具体步骤包括：当接收一个多跳问题时，将上下文示例拼接上多跳问题后输入进大模型，大模型产生一个初始的单跳子问题，将该子问题输入进子问题解决模块得到推理路径，后将推理路径输入进推理模块获得答案，将上述分解的具体步骤结果添加进上下文，提供给大模型，后将丰富后的上下文再次输入进大模型，令大模型迭代式的分解问题，按上述步骤进行解决，直到大模型无法给出子问题；

步骤二：子问题解决：当通过步骤一获得子问题后，需要通过GNN模型构建出该子问题的推理路径,具体包括问题子图检索阶段和推理路径构建阶段，步骤三：答案推理：通过问题子图检索模块获得种子实体与候选答案之间的所有路径后，将其进行文本化来构建LLM的上下文,再拼接上子问题，共同输入给LLM，利用大模型的推理能力来获得该子问题的最终答案；

所述步骤二中问题子图检索阶段具体包括：

当获得由多跳问题分解出的单跳子问题后，在知识图谱中检索单跳子问题的问题子图；

知识图谱由一个个三元组组成，从概率角度给出相关性的定义:

其中Score(e,q,G)表示在知识图谱G中三元组e与问题q的相关程度，N表示以问题q为起点在知识图谱中进行随机游走的总次数，times(s)表示随机游走过程中访问到三元组s的次数,subject to start＝q表示约束条件为以q为起点；

问题q难以直接在知识图谱中表示，通过大模型抽取出问题中top‑k个关键实体作为当前问题的种子实体，以此来近似表示问题q，经过近似后的相关性定义如下:最终，该相关性通过使用Personalized PageRank算法进行计算，最终筛选出与问题最相关的2000个三元组作为当前问题的问题子图；

所述步骤二中推理路径构建阶段具体包括：

知识图谱问答中的GNN模型被视为一个节点分类的工作方法，其中KG实体被分类为给定问题的答案与非答案，先通过图神经网络获得子问题的候选答案，其中图神经网络部分采用的是预训练好的ReaRev图神经网络，将子问题与问题子图共同输入进ReaRev模型，获得每个实体作为答案的概率，后将概率从高到低进行排序，从高到低选取累计概率大于

95％的实体作为候选答案，使用BFS算法检索种子实体与各个候选答案之间的所有路径。