KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph

UnknownBody

于 2024-01-29 14:29:09 发布

阅读量1.3k

点赞数 41

分类专栏： Knowledge Graph 文章标签：语言模型知识图谱人工智能

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/135910945

版权

Knowledge Graph 同时被 2 个专栏收录

79 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

本文介绍KnowledgeNavigator框架，该框架通过高效准确地从知识图谱检索信息，增强大型语言模型（LLM）在知识约束和复杂推理任务中的性能。在多个KGQA基准上，KnowledgeNavigator的表现优于其他结合LLM与知识图谱的方法，且能与全监督模型相媲美。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph》的翻译。

摘要

大型语言模型（LLM）凭借其对自然语言的高级理解和零样本能力，在各种下游任务中取得了出色的性能。然而，他们在知识约束方面很吃力，尤其是在需要复杂推理或扩展逻辑序列的任务中。这些限制可能会导致不准确和幻觉，从而影响他们在问答（QA）中的表现。在本文中，我们介绍了一个名为KnowledgeNavigator的新框架，旨在克服这些挑战。它通过从知识图谱中高效准确地检索外部知识来改进LLM推理。KnowledgeNavigator从细化问题所隐含的约束开始，这有助于引导推理过程。然后，它通过迭代地结合LLM的见解和问题的要求的过程，从知识图谱中选择性地收集支持信息。最后，KnowledgeNavigator将这些结构化信息准备为LLM友好提示，从而增强其推理能力。我们在几个公共的KGQA基准上对KnowledgeNavigator进行了评估，结果证明了其有效性和通用性。它超越了以前将知识图谱与LLM相结合的方法，并且与全监督模型具有竞争力。