面向多跳问答的动态知识图谱知识编辑
计算与语言
2024-12-30 v2
摘要
由于涉及广泛的知识需求，多跳问答（MHQA）对大语言模型（LLM）构成了重大挑战。知识编辑旨在精确修改 LLM 以纳入特定知识，同时不对其他无关知识产生负面影响，为利用 LLM 应对 MHQA 挑战提供了一种潜在解决方案。然而，当前的解决方案难以有效解决知识冲突问题。大多数参数保留编辑方法因检索不准确而受阻，并忽视了二次编辑问题，这可能会在 LLM 的推理过程中引入噪声。在本文中，我们提出了 KEDKG，一种利用动态知识图谱进行 MHQA 的新型知识编辑方法，旨在确保答案的可靠性。KEDKG 包含两个主要步骤：动态知识图谱构建和知识图谱增强生成。首先，KEDKG 自主构建动态知识图谱以存储修订信息，同时解决潜在的知识冲突。随后，它采用细粒度检索策略，结合实体与关系检测器，以提高 LLM 生成的图检索准确性。基准测试上的实验结果表明，KEDKG 超越了先前最先进的模型，在动态信息环境中提供了更准确、更可靠的答案。
引用
@article{arxiv.2412.13782,
title = {Knowledge Editing with Dynamic Knowledge Graphs for Multi-Hop Question Answering},
author = {Yifan Lu and Yigeng Zhou and Jing Li and Yequan Wang and Xuebo Liu and Daojing He and Fangming Liu and Min Zhang},
journal= {arXiv preprint arXiv:2412.13782},
year = {2024}
}
备注
AAAI 2025