基于语义分析的多跳问答知识编辑
人工智能
2025-08-05 v1 机器学习
摘要
大型语言模型（LLM）需要轻量级的知识更新途径，以更新已过时的存储信息。知识编辑（KE）方法在更新简单事实查询的模型知识方面取得了成功，但在处理需要组合推理的任务，如多跳问答（MQA）时则显得力不从众。我们观察到，现有知识编辑器利用的分解技术会导致推理过程不合逻辑。本文提出一种基于语义分析的 MQA 知识编辑器，称为 CHECK。我们的框架建立在编译器与 LLM 推理之间的类比之见证上。类似于源代码在执行前首先被编译的情况，我们提出在执行回答问题的推理链之前对其进行语义分析。通过逻辑优化和以更高温度重新生成 LLM 模型，对带有语义错误的推理链进行修订，以确保其一致性。我们在四个数据集上对 CHECK 与五种最先进的框架进行评估，实现了平均 22.8% 的 MQA 准确率提升。
引用
@article{arxiv.2508.00914,
title = {Knowledge Editing for Multi-Hop Question Answering Using Semantic Analysis},
author = {Dominic Simon and Rickard Ewetz},
journal= {arXiv preprint arXiv:2508.00914},
year = {2025}
}
备注
14 pages, 15 figures, pre-print of paper accepted to IJCAI 2025