Enhancing Large Language Models with Pseudo- and MultisourceKnowledge Graphs for Open-ended QA-优快云博客

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/137681705

本文提出了一种结合伪图生成和原子知识验证的框架，以增强大型语言模型（LLM）处理开放式问答的能力。通过这种方法，LLM的幻觉得到缓解，且在不同知识图谱来源下实现泛化，ROUGE-L分数提升11.5分，准确度提升7.5。未来将探索更好的语义编码和知识质量修剪策略。

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《Enhancing Large Language Models with Pseudo- and MultisourceKnowledge Graphs for Open-ended Question Answering》的翻译。

摘要

减轻大型语言模型（LLM）的幻觉并增强它们是一项至关重要的任务。尽管一些现有的方法采用了模型自我增强技术，但它们不能有效地解决未知的事实幻觉。使用知识图谱（KG）增强方法无法同时解决不同KG来源的泛化和开放式回答问题的增强问题。为了解决这些限制，提出了一个结合伪图生成和原子知识验证的框架。在开放式问答环境中使用KG增强LLM是通过利用伪图生成来实现的。原子知识验证利用原子级的知识查询和验证来实现不同KG来源下的可推广性。与基线相比，这种方法在开放式问题的ROUGE-L分数上至少提高了11.5分。对于精确的问题，我们观察到最低准确度提高了7.5。此外，还有证据表明，该框架在不同的KG来源中表现出可推广性。总之，我们的研究结果通过结合伪和多源KGs，特别是在开放式问题的背景下，为增强LLM铺平了道路。