HyKGE: 一种假设知识图谱增强框架，用于准确且可靠的医学大语言模型响应
计算与语言
2024-04-22 v2 人工智能
摘要
本文研究了基于知识图谱的检索增强生成（RAG），以提高大语言模型（LLMs）的准确性和可靠性。近期方法存在知识检索不充分且重复、查询解析繁琐耗时以及知识利用单一等问题。为此，我们开发了假设知识图谱增强（HyKGE）框架，该框架利用LLMs强大的推理能力来弥补用户查询的不完整性，优化与LLMs的交互过程，并提供多样化的检索知识。具体而言，HyKGE利用LLMs的零样本能力和丰富知识，通过假设输出来扩展知识图谱中可行的探索方向，并精心设计提示以增强LLMs响应的密度和效率。此外，我们引入了HO片段粒度感知重排序模块，以过滤噪声，同时确保检索知识的多样性与相关性之间的平衡。在两个中文医学选择题数据集和一个中文开放域医学问答数据集上，使用两个LLM涡轮引擎进行的实验证明了HyKGE在准确性和可解释性方面的优越性。
引用
@article{arxiv.2312.15883,
title = {HyKGE: A Hypothesis Knowledge Graph Enhanced Framework for Accurate and Reliable Medical LLMs Responses},
author = {Xinke Jiang and Ruizhe Zhang and Yongxin Xu and Rihong Qiu and Yue Fang and Zhiyuan Wang and Jinyi Tang and Hongxin Ding and Xu Chu and Junfeng Zhao and Yasha Wang},
journal= {arXiv preprint arXiv:2312.15883},
year = {2024}
}
备注
version 2