通过实体匿名化提高LLM在对话生成任务中的外部知识依赖
计算与语言
2025-11-18 v1 机器学习
摘要
基于知识图谱的对话生成（KG-DG）是一个需要模型有效整合外部知识以生成对话性回复的挑战任务。虽然大型语言模型（LLM）在各种NLP任务中取得了令人瞩目的成果，但其在KG-DG中利用外部知识的能力仍未得到充分探索。我们观察到LLM常常依赖内部知识，导致对提供的知识图谱脱离，即使提供完美检索到的知识图谱。首先，我们引入LLM-KAT，用于衡量生成回复中对知识的依赖。其次，我们提出一种简单而有效的实体匿名化技术，以鼓励LLM更好地利用外部知识。在OpenDialKG数据集上的实验表明，我们的方法提高了LLM对外部知识的依赖程度。
引用
@article{arxiv.2511.11946,
title = {Improving LLM's Attachment to External Knowledge In Dialogue Generation Tasks Through Entity Anonymization},
author = {Hadi Sheikhi and Chenyang Huang and Osmar R. Zaïane},
journal= {arXiv preprint arXiv:2511.11946},
year = {2025}
}