FiDeLiS：面向知识图谱问答的大型语言模型忠实推理
人工智能
2025-05-23 v4 计算与语言
摘要
大型语言模型（LLM）经常在复杂推理任务中产生错误或幻觉响应。利用知识图谱（KG）作为外部知识源已成为一种可行的解决方案。然而，现有的KG增强方法，无论是基于检索的还是基于智能体的，在准确检索知识和高效遍历大规模KG方面都遇到困难。在本文中，我们提出了一个统一框架FiDeLiS，旨在通过将答案锚定到从KG检索到的可验证推理步骤来提高LLM响应的真实性。为此，我们利用带有演绎评分函数的逐步束搜索，使LLM能够逐步验证推理过程，并在问题可推导时停止搜索。此外，我们提出了Path-RAG模块，为每个束搜索步骤预选一个较小的候选集，通过缩小搜索空间来降低计算成本。大量实验表明，我们的方法作为一个无需训练的框架，不仅提高了性能，还增强了不同基准上的真实性和可解释性。代码发布在https://github.com/Y-Sui/FiDeLiS。
引用
@article{arxiv.2405.13873,
title = {FiDeLiS: Faithful Reasoning in Large Language Model for Knowledge Graph Question Answering},
author = {Yuan Sui and Yufei He and Nian Liu and Xiaoxin He and Kun Wang and Bryan Hooi},
journal= {arXiv preprint arXiv:2405.13873},
year = {2025}
}
备注
This paper has been accepted by ACL 2025