KnowPath: Knowledge-enhanced Reasoning via LLM-generated Inference Paths over Knowledge Graphs

要約

大規模な言語モデル（LLM）は、さまざまな複雑なタスクで顕著な能力を実証していますが、それでも幻覚に苦しんでいます。
ナレッジグラフなどの外部知識を導入すると、事実の答えを提供するLLMSの能力を高めることができます。
LLMには、知識グラフをインタラクティブに探索する機能があります。
ただし、ほとんどのアプローチは、LLMSでの不十分な内部知識の掘削、信頼できる知識推論の限られた生成パス、および内部知識と外部知識の間の曖昧な統合の影響を受けています。
したがって、私たちは、内部および外部の知識のコラボレーションによって駆動される知識強化された大きなモデルフレームワークであるKnowPathを提案します。
LLMの内部知識に依存して、外部の知識グラフで解釈可能な指示されたサブグラフの探求を導き、2つの知識ソースをより正確な推論のために統合します。
複数の現実世界のデータセットでの広範な実験は、KnowPathの優位性を確認します。

要約(オリジナル)

Large language models (LLMs) have demonstrated remarkable capabilities in various complex tasks, yet they still suffer from hallucinations. Introducing external knowledge, such as knowledge graph, can enhance the LLMs’ ability to provide factual answers. LLMs have the ability to interactively explore knowledge graphs. However, most approaches have been affected by insufficient internal knowledge excavation in LLMs, limited generation of trustworthy knowledge reasoning paths, and a vague integration between internal and external knowledge. Therefore, we propose KnowPath, a knowledge-enhanced large model framework driven by the collaboration of internal and external knowledge. It relies on the internal knowledge of the LLM to guide the exploration of interpretable directed subgraphs in external knowledge graphs, better integrating the two knowledge sources for more accurate reasoning. Extensive experiments on multiple real-world datasets confirm the superiority of KnowPath.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google