DALK：用于回答阿尔茨海默病问题的 LLM 与知识图谱动态共数据增强
计算与语言
2024-09-04 v2
摘要
近期大型语言模型（LLM）在各类应用中取得了令人瞩目的性能。然而，持续挑战的是将长尾知识集成到 LLM 中，以阻碍其在专业领域的无缝采用。在本工作中，我们引入DALK，即Dynamic Co-Augmentation of LLMs and KG，以解决这一限制，并在研究阿尔茨海默病（AD）时演示其能力，该疾病是生物医学中的一个专业子领域，也是全球健康的优先事项。通过 LLM 和 KG 相互增强的协同框架，我们首先利用 LLM 从 AD 相关科学文献中构建一个演化的 AD 特定知识图谱（KG），然后我们利用粗到细抽样方法和新颖的自我感知知识检索方法，从 KG 中选择适当的知识来增强 LLM 推理能力。在我们构建的 AD 问答（ADQA）基准上进行的实验结果强调了DALK的有效性。此外，我们进行了一系列详细分析，为这个新兴主题的相互增强 KG 和 LLM 提供了宝贵的见解和指南。我们将在 https://github.com/David-Li0406/DALK 上发布代码和数据。
引用
@article{arxiv.2405.04818,
title = {ACORN: Aspect-wise Commonsense Reasoning Explanation Evaluation},
author = {Ana Brassard and Benjamin Heinzerling and Keito Kudo and Keisuke Sakaguchi and Kentaro Inui},
journal= {arXiv preprint arXiv:2405.04818},
year = {2024}
}
备注
18 pages, 7 figures, accepted to COLM 2024. Data available here: https://github.com/a-brassard/ACORN