新框架增强了LLM在不完整知识图上的推理能力

研究人员开发了一种新颖的基于图的软提示框架，以提高大型语言模型（LLM）在处理不完整知识图时的推理能力。该方法将重点从显式路径遍历转移到子图级别的推理，利用图神经网络（GNN）将结构化子图编码为软提示。这使得LLM能够处理更丰富的上下文信息，并更有效地识别相关实体，即使在边缺失的情况下也是如此。该框架采用两阶段过程，首先使用轻量级LLM识别相关实体和关系，然后使用更强大的LLM进行证据感知答案生成，在四个多跳知识库问答（KBQA）基准测试中的三个上取得了最先进的性能。 AI

影响 这项研究通过改进LLM处理不完整数据的方式，有望为知识密集型任务带来更强大、更准确的AI系统。

排序理由 该集群包含一篇研究论文，详细介绍了改进LLM在知识图上推理的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• graph neural network
• Knowledge Base Question Answering System Based on Knowledge Graph Representation Learning
• knowledge graph
• large-language models
• Shuai Wang

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →