ODA: Observation-Driven Agent for integrating LLMs and Knowledge Graphs

要約

大規模言語モデル (LLM) とナレッジ グラフ (KG) の統合は、さまざまな自然言語処理タスクで目覚ましい成功を収めています。
しかし、LLM と KG を統合する既存の方法論は、LLM による質問の分析のみに基づいてタスク解決プロセスを進めることが多く、KG にカプセル化された膨大な知識に内在する豊かな認知の可能性を見落としています。
これに対処するために、KG が関与するタスクに合わせて調整された新しい AI エージェント フレームワークである Observation-Driven Agent (ODA) を導入します。
ODA には、観察、行動、反省の循環パラダイムを通じて推論能力を強化する、地球規模の観察による KG 推論能力が組み込まれています。
観察中の知識の指数関数的な爆発に直面して、私たちは再帰的観察メカニズムを革新的に設計します。
その後、観察された知識をアクション モジュールと反映モジュールに統合します。
広範な実験を通じて、ODA はいくつかのデータセットで最先端のパフォーマンスを実証し、特に 12.87% と 8.9% の精度向上を達成しました。

要約(オリジナル)

The integration of Large Language Models (LLMs) and knowledge graphs (KGs) has achieved remarkable success in various natural language processing tasks. However, existing methodologies that integrate LLMs and KGs often navigate the task-solving process solely based on the LLM’s analysis of the question, overlooking the rich cognitive potential inherent in the vast knowledge encapsulated in KGs. To address this, we introduce Observation-Driven Agent (ODA), a novel AI agent framework tailored for tasks involving KGs. ODA incorporates KG reasoning abilities via global observation that enhances reasoning capabilities through a cyclical paradigm of observation, action, and reflection. Confronting the exponential explosion of knowledge during observation, we innovatively design a recursive observation mechanism. Subsequently, we integrate the observed knowledge into the action and reflection modules. Through extensive experiments, ODA demonstrates state-of-the-art performance on several datasets, notably achieving accuracy improvements of 12.87% and 8.9%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google