Knowledge Editing with Dynamic Knowledge Graphs for Multi-Hop Question Answering

本文是LLM系列文章，针对《Knowledge Editing with Dynamic Knowledge Graphs for Multi-Hop Question Answering》的翻译。

摘要

由于涉及广泛的知识需求，多跳问答（MHQA）对大型语言模型（LLM）提出了重大挑战。知识编辑旨在精确修改LLM，以纳入特定知识，而不会对其他无关知识产生负面影响，为解决LLM的MHQA挑战提供了一种潜在的解决方案。然而，目前的解决方案很难有效地解决知识冲突问题。大多数参数保持编辑方法都受到不准确检索的阻碍，并忽略了二次编辑问题，这可能会在LLM的推理过程中引入噪声。本文介绍了KEDKG，这是一种利用动态知识图谱进行MHQA的新型知识编辑方法，旨在确保答案的可靠性。KEDKG包括两个主要步骤：动态知识图谱构建和知识图谱增强生成。最初，KEDKG自主构建动态知识图谱来存储修订后的信息，同时解决潜在的知识冲突。随后，它采用细粒度检索策略，结合实体和关系检测器，以提高LLM生成图检索的准确性。基准测试的实验结果表明，KEDKG超越了以前最先进的模型，在具有动态信息的环境中提供了更准确可靠的答案。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

本文提出了一种新的MHQA知识编辑方法KEDKG。KEDKG构建了一个动态知识图