Paper link | Note link | Code link | ICLR 2024
這篇論文提出了圖推理(RoG),通過將大型語言模型(LLMs)與知識圖譜(KGs)結合,進行忠實且可解釋的推理。
知識圖譜(KGs)以結構化的格式捕捉大量事實,是推理的可靠知識來源。
然而,現有基於KG的大型語言模型(LLM)推理方法僅將KG視為事實知識庫,忽視了它們的結構資訊在推理中的重要性。
在這篇論文中,作者提出了一種名為圖推理(RoG)的新方法,將LLM與KGs相結合,實現忠實且可解釋的推理。
為了解決大型語言模型(LLMs)受限於知識缺乏和容易產生幻覺的問題,已經將知識圖譜(KGs)納入以提升LLMs的推理能力。
下圖顯示了這些問題如何通過KGs中的三元組和關係路徑來解決。
本文提出了一種基於圖形推理(RoG)的方法,該方法包含兩個主要元件:
RoG 的工作方式如下:
這項研究評估了 RoG 在兩個基準知識圖譜問答 (KGQA) 數據集上的推理能力:
他們使用 LLaMA2-Chat-7B 作為 LLM 的骨幹,並將 RoG 與 21 個基準進行比較,這些基準被分為 5 類。
下表展示了 RoG 如何有效解決兩個關鍵挑戰: