KG-GPT: A General Framework for Reasoning on Knowledge Graphs Using Large Language Models

本文是LLM系列文章，针对《KG-GPT: A General Framework for Reasoning on Knowledge Graphs
Using Large Language Models》的翻译。

摘要

尽管大型语言模型（LLM）在理解和生成非结构化文本方面取得了相当大的进步，但其在结构化数据中的应用仍有待开发。特别是，将LLM用于知识图谱（KGs）上的复杂推理任务在很大程度上保持不变。为了解决这个问题，我们提出了KG-GPT，这是一个多用途框架，利用LLM来执行使用KGs的任务。KG-GPT包括三个步骤：句子分割、图检索和推理，每个步骤分别旨在划分句子、检索相关的图组件和得出逻辑结论。我们使用基于KG的事实验证和KGQA基准来评估KG-GPT，该模型显示出竞争性和鲁棒性，甚至优于几个完全监督的模型。因此，我们的工作标志着在LLM领域内统一结构化和非结构化数据处理迈出了重要一步。

1 引言

2 方法

3 实验

4 结果与分析

5 结论

我们建议使用KG-GPT，这是一个通用的框架，它将LLM用于使用KGs的任务。KG-GPT分为三个阶段：句子分割、图形检索和推理，每个阶段分别用于分解句子、寻找相关图形元素和获得推理结果。我们使用基于KG-的事实验证和KGQA指标来评估KG-GPT的疗效，该模型显示出一致、令人印象深刻的结果，甚至超过了许多完全监督的模型。因此，我们的研究标志着在LLM的背景下，将结构化和非结构化数据管理相结合取得了实质性进展。

局限性

我们的研究有两个主要局限性。首先，KG-GPT高度依赖于上下文学习，其性能随着提供的示例数