CuriousLLM：利用LLM增强的知识图谱推理提升多文档问答

大型语言模型（LLMs）在开放域问答中取得了显著成功。然而，它们仍面临幻觉和知识截止等挑战。通过在生成答案前为LLMs提供相关上下文，即上下文学习，可以缓解这些问题。近期文献提出了知识图谱提示（KGP），该方法将知识图谱与基于LLM的遍历智能体相结合，以大幅提升文档检索质量。然而，KGP需要使用大型数据集进行昂贵的微调，并且仍然容易产生幻觉。在本文中，我们提出了CuriousLLM，这是一种将好奇心驱动的推理机制集成到LLM智能体中的增强方法。该机制使智能体能够生成相关的后续问题，从而更有效地引导信息检索过程。我们方法的核心是开发了新的Follow-upQA数据集，该数据集包含作为输入的问题和支持证据，并以后续问题作为真实标签。这些后续问题要么询问要完全回答用户查询仍缺少什么信息，要么使用特殊标记表示检索到的证据已足够。我们的实验表明，CuriousLLM显著提升了LLM在多文档问答（MD-QA）中的性能，同时规避了原始KGP框架带来的巨大计算成本和延迟。