PulseAugur
中
实时 09:17:23
English(EN) KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs

新的KGCaRe方法通过知识图谱增强LLM问答能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了KGCaRe，一种通过整合大型语言模型（LLM）与自动知识图谱构建和上下文检索来回答复杂条件问题的新方法。该方法通过整合非结构化文本和来自LLM生成的知识图谱的结构化知识来增强检索增强生成（RAG）。KGCaRe迭代地遍历这些图谱以提取相关信息，并将其与语义检索到的文本片段相结合，以生成准确、可解释的答案。在两个复杂条件问答数据集上的评估表明，KGCaRe在包括Mistral、Mixtral、GPT-3.5和GPT-4o在内的各种LLM上均优于现有基线。 AI

影响 这项研究可以提高基于LLM的问答系统的准确性和可解释性，尤其是在专业领域。

排序理由 该集群描述了一篇详细介绍使用LLM和知识图谱进行问答的新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的KGCaRe方法通过知识图谱增强LLM问答能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu, Fiona Veazey, Peter Hubbert, Hui Su, Paul Buitelaar ·

    KGCaRe：使用自动知识图谱构建和LLM上下文检索进行可解释的复杂条件问答

    arXiv:2608.09779v1 Announce Type: cross Abstract: Answering complex conditional questions using Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) remains a challenge, particularly in domain-specific contexts where general-purpose LLMs and RAG tend to underperf…

相关实体

相关话题