Large Language Model-Enhanced Symbolic Reasoning for Knowledge Base Completion

本文是LLM系列文章，针对《Large Language Model-Enhanced Symbolic Reasoning for Knowledge Base Completion》的翻译。

摘要

将大型语言模型（LLM）与基于规则的推理相结合，为提高知识库补全（KBC）的灵活性和可靠性提供了一种强大的解决方案。传统的基于规则的KBC方法提供了可验证的推理，但缺乏灵活性，而LLM提供了很强的语义理解，但存在幻觉。为了将LLM的理解能力与基于规则的方法的逻辑性和严谨性相结合，我们提出了一种由子图提取器、LLM提议器和规则推理器组成的新框架。子图提取器首先从知识库中采样子图。然后，LLM使用这些子图来提出有助于推断缺失事实的多样化和有意义的规则。为了有效地避免LLM生成产生幻觉，这些拟议的规则由规则推理器进一步细化，以确定知识库中知识库补全的最重要规则。我们的方法提供了几个关键的好处：利用LLM来增强所提出规则的丰富性和多样性，并与基于规则的推理相结合以提高可靠性。我们的方法在不同的知识库数据集中也表现出了很强的性能，突出了所提出框架的鲁棒性和通用性。

1 引言

2 相关工作

3 方法

4 实验

5 结论

在这项工作中，我们提出了一种新的框架，通过将LLM与符号推理相结合，提高了知识库补全的透明度和可靠性。我们的方法利用了LLM的语言能力和规则生成能力，并结合了基于规则的方法的可验证推理。实验结果表明，我们提出的方法不仅提高了准确性，而且提供了跨不同知识库数据集的通用性。通过弥合基于规则的推理的可解释性和LLM的适应性之间的差距，我们的工作为提高KBC的可靠性提供了一个潜在的未来方向，同时为处理大规模知识