MindMap: Knowledge Graph Prompting Sparks Graph of Thoughts in Large Language Models

最新推荐文章于 2025-11-25 12:11:01 发布
最新推荐文章于 2025-11-25 12:11:01 发布
阅读量824 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Knowledge Graph 文章标签： 知识图谱 语言模型 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/132888474
Knowledge Graph 同时被 2 个专栏收录
85 篇文章 ¥99.90 ¥299.90
订阅专栏
LLM 日更
828 篇文章

已下架不支持订阅

本文研究如何使用知识图谱提示改进LLM，使其能够理解和利用外部知识进行推理，生成的思维导图揭示了LLM的推理路径。实验表明，MindMap提示在问答任务中显著提高了GPT-3.5的性能，并且在结构化知识获取上优于文档检索方法。

本文是LLM系列文章，针对《MindMap: Knowledge Graph Prompting Sparks Graph of Thoughts in Large Language Models》的翻译。

思维导图：大型语言模型中的知识图谱提示火花思维图

摘要

LLM通常在吸收新知识的能力、幻觉的产生以及决策过程的透明度方面表现出局限性。在本文中，我们探讨了如何用知识图谱（KG）提示LLM，作为一种补救措施，让LLM了解最新知识，并从LLM中引出推理途径。具体来说，我们构建了一个提示管道，赋予LLM理解KG输入的能力，并使用组合的内隐知识和检索到的外部知识进行推断。此外，我们还研究了启发思维导图，LLM在思维导图上进行推理并生成答案。研究表明，生成的思维导图展示了基于知识本体的LLM推理路径，从而为在生产中探究和衡量LLM推理带来了前景。在三个问答数据集上的实验也表明，MindMap提示带来了显著的经验增益。例如，使用MindMap提示GPT-3.5会持续产生超过GPT-4的压倒性性能。我们还证明，通过从KG中检索结构化事实，MindMap可以优于一系列使用文档检索方法的提示，受益于KG中更准确、简洁和全面的知识。为了重现我们的结果并进一步扩展框架，我们在https://github.com/wylwilling/MindMap上开源了代码。

1 引言

2 相关工作

3 方法

4 实验

5 结论

本文引入了知识图谱（KG）提示1）赋予LLM理解KG输入的能力，2）利用隐式知识和检索到的外部知识相结合来促进LLM的推理。然后，我们研究了启发思维导图，LLM在其中进

了解本专栏 订阅专栏 解锁全文
知识图谱与大语言模型的协同（RAG）——MindMap
qq_52053775的博客
05-02 963
大型语言模型（LLMs）在处理新信息、防止生成幻觉内容、以及增强决策过程透明度方面存在局限。存在的问题不灵活性（Inflexibility）：预训练的LLMs包含过时的知识，并且很难进行参数更新。幻觉（Hallucination）：LLMs在生成答案时常常会产生听起来合理但实际错误的幻觉，这在高风险领域尤为关键。缺乏透明度（Lack of Transparency）：由于LLMs的“黑盒”特性，其决策过程不易被理解和验证。解决方案。
LLM&Graph:MindMap-Knowledge Graph Prompting Sparks Graph of Thoughts in LargeLanguage ModelsMindMap
zerokusinage的博客
11-20 1240
ACL 2024 论文: MindMap-Knowledge Graph Prompting Sparks Graph of Thoughts in Large Language ModelsMindMap
Mind Map：大语言模型中的知识图谱提示激发思维图10.1+10.2+10.7
RM_Jin的博客
10-02 2561
LLM通常在吸收新知识的能力、以及决策过程的透明度方面有局限性。“generation of hallucination”（幻觉生成）可以指代使用计算机模型或算法生成虚假的感知或幻觉。这是指通过对输入数据进行处理和转换，模型可以生成看起来像是真实幻觉的信息。大语言模型如GPT-3是基于机器学习技术的，通过从大量文本数据中学习语言模式和上下文来生成文本回复。尽管它可以生成合理的、连贯的回答，但它并不具备真实的感知能力，也不会产生真实的幻觉。
论文浅尝 | MindMap：知识图谱提示激发大型语言模型中的思维图（ACL2024）
开放知识图谱
11-18 1214
笔记整理：和东顺，天津大学硕士，研究方向为软件缺陷分析论文链接：https://aclanthology.org/2024.acl-long.558/发表会议：ACL 20241. 动机虽然大语言模型（LLMs）已经在自然语言理解和生成任务中取得了显著的成绩，但是它们依然存在一些关键性的限制，包括但不限于以下几点：（1）难以融合新知识：现有的LLMs在处理新知识时常常遇到困难，特别是在需要将新知识...
MindMap: 将知识图谱引入LLMs，实现稳健且可解释的推理
zenRRan的博客
09-06 2342
作者：文祎琳像 GPT-3.5 这样的大型语言模型 （LLM） 已经展示了令人印象深刻的自然语言功能。然而，他们的推理过程仍然不透明，容易产生幻觉，且微调LLM成本极其昂贵。最近提出的思维导图MindMap提出了一种推进思路，通过将知识图谱(KG)引入LLMs，使其能够理解KG输入并结合内部和外部知识进行推理。此外，还研究了如何提取LLMs的思维图，作为其推理和回答生成的依据。Paper:Mind...
MindMap：利用 KG 关系网络，构建问题子图促大模型精准解答
Debroon
06-12 2628
总体而言，MindMap通过创新性地融合知识图谱和大型语言模型，克服了单纯依赖LLM处理复杂查询时的多种限制，为用户提供了更精确、可靠、透明和解释性强的解决方案。MindMap 通过结合知识图谱提供实时知识更新和透明的推理路径，相比传统LLM在处理复杂查询时显著提升了准确性、透明度和解释能力。在此步骤中，我们使用推理图（Gpath m和Gnei m）提示LLM生成最终输出。在此阶段，LLM需要将不同的证据子图（Gq）整合为一个统一的推理图（Gm）。步骤三：LLM在思维图上的推理。
尝试阅读和理解 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space
iuui11的博客
01-28 894
文中提到知识图谱模型所面临的问题 a fundamental problem for knowledge graph is predicting the missing links 文中提到这篇文章想要做的工作 However, none of existing models is capable of modeling and inferring all the above patterns. Therefore, we are looking for an approach that is abl
Knowledge Graph Large Language Model (KG-LLM) for Link Prediction
weixin_43961909的博客
09-19 2105
知识图谱 (KG) 中的多跳链接预测任务是知识图谱分析领域的一项挑战，因为它要求模型在做出预测之前推理并理解所有中间连接。在本文中，我们介绍了知识图谱大型语言模型 (KG-LLM)，这是一个利用大型语言模型 (LLM) 执行知识图谱任务的新型框架。我们首先将结构化知识图谱数据转换为自然语言，然后使用这些自然语言提示来微调 LLM，以增强 KG 中的多跳链接预测。通过将 KG 转换为自然语言提示，我们的框架旨在学习实体及其相互关系的潜在表示。
论文翻译 | Knowledge Graph Prompting for Multi-Document Question Answering 多文档问答的知识图谱提示（上）（实验在下篇）
m0_49651195的博客
09-25 1719
大型语言模型（LLMs）的“预训练、提示、预测”范式在开放领域问答（OD-QA）中取得了显著的成功。然而，很少有研究探索这种范式在多文档问答（MD-QA）中的应用，MD-QA是一项需要深入理解文档内容和结构之间逻辑联系的任务。为了填补这一重要空白，我们提出了一种知识图谱提示（KGP）方法，用于在为MD-QA提示LLMs时构建正确上下文，该方法包括一个图构建模块和一个图遍历模块。
【论文精读(KG²RAG)】南京大学&阿里巴巴：Knowledge Graph-Guided Retrieval Augmented Generation (KG²RAG)
2301_79985417的博客
04-19 3154
大语言模型（LLM）在生成任务中常因知识缺失或过时产生幻觉，传统检索增强生成（RAG）虽能补充知识，但仅依赖语义相似性导致检索结果冗余且缺乏关联。本文提出 KG²RAG（Knowledge Graph-Guided Retrieval Augmented Generation）框架，通过知识图谱（KG）显式建模文本块间的事实级关系，提升检索结果的多样性与连贯性。实验表明，KG²RAG 在 HotpotQA 等数据集上显著优于传统 RAG 方法，为可信 AI 推理提供了新路径。
探索思维之图：MindMap - 大规模语言模型的智慧引导者
gitblog_00031的博客
06-06 538
探索思维之图：MindMap - 大规模语言模型的智慧引导者 在这个数字化的时代，人工智能的进步日新月异，尤其是自然语言处理领域。今天，我们有幸向您推荐一个创新的开源项目——MindMap。这个框架源自ACL'24接受的一篇论文，它提供了一种新颖的插件式提示方法，激发了大型语言模型（LLMs）理解图形输入并构建证据支持的思考图谱的能力。 项目介绍 MindMap 是一个强大的工具，能够使LLMs不...
知识图谱与大模型碰撞出的一些火花~
lzz10081203的博客
01-26 1909
本文主要对大模型和知识图谱之间的应用进行了简单的调研，仅仅只是笔者的随笔，更多的是针对笔者目前的需求阅读综述文献或者部分论文的相关工作部分进行的简单整合，由于时间关系，也不一定会更新到一些最新的技术，相比于知识图谱与大模型本身这一个大领域，是十分简陋的整合，建议真的想要仔细的了解这个领域的工作者阅读这一项工作：https://arxiv.org/abs/2306.08302。这项工作远比本文要完善，本文更像是笔者结合自己的需求，在上面的链接的基础上写的一篇局部的技术速查。
大模型论文 | MindMap：知识图谱提示激发大型语言模型中的思维图（ACL2024）
老皮的博客
11-18 1093
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 229
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效
CalebLXL的博客
11-24 407
走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
最新发布
2501_92808811的博客
11-25 284
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 406
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 398
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 497
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph
09-22
《KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph》聚焦于利用大型语言模型增强知识图谱推理。大型语言模型（LLM）在复杂推理和问答（QA）任务中的知识限制方面存在局限性，而KnowledgeNavigator框架利用知识图谱中的外部知识来增强LLM推理[^4]。 该框架主要包括三个阶段：问题分析、知识检索和推理。在问题分析阶段，预测推理跳数，生成相似的问题，以增强推理逻辑挖掘；知识检索阶段，根据给定的问题和大语言模型指导，从知识图谱中迭代检索和过滤相关知识；推理阶段，将检索到的知识转化为对LLM有效的提示，以此增强其推理能力。并且该框架在KGQA基准测试中优于以前的知识图谱增强LLM方法[^4]。 ```python # 以下为简单示意框架各阶段伪代码 # 问题分析 def question_analysis(question): # 预测推理跳数 hop_count = predict_hop_count(question) # 生成相似问题 similar_questions = generate_similar_questions(question) return hop_count, similar_questions # 知识检索 def knowledge_retrieval(question, llm_guide, knowledge_graph): relevant_knowledge = [] # 迭代检索和过滤相关知识 for step in range(max_steps): new_knowledge = retrieve_and_filter(question, llm_guide, knowledge_graph) relevant_knowledge.extend(new_knowledge) return relevant_knowledge # 推理 def reasoning(relevant_knowledge, llm): prompt = convert_to_prompt(relevant_knowledge) result = llm.generate(prompt) return result ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值