KnowPath：通过 LLM 生成的推理路径在知识图谱上进行知识增强推理
人工智能
2025-05-27 v3
摘要
大语言模型（LLMs）在各种复杂任务中已展现出显著能力，但它们仍然遭受幻觉问题。通过引入和探索外部知识（如知识图谱 KGs），LLMs 提供事实答案的能力得到了增强。这一方法具有重要的实际意义。然而，现有方法存在三个关键局限：LLMs 内部知识的挖掘不足、可解释推理路径的生成受限，以及内部知识与外部知识的融合不明确。因此，我们提出了 KnowPath，一个由内部知识与外部知识协作驱动的知识增强大模型框架。它依赖于 LLM 的内部知识来引导对外部知识图谱中可解释有向子图的探索，更好地融合两种知识来源以实现更准确的推理。在多个真实数据集上的大量实验证明了 KnowPath 的有效性。我们的代码和数据可在 https://github.com/tize-72/KnowPath 获取。
引用
@article{arxiv.2502.12029,
title = {KnowPath: Knowledge-enhanced Reasoning via LLM-generated Inference Paths over Knowledge Graphs},
author = {Qi Zhao and Hongyu Yang and Qi Song and Xinwei Yao and Xiangyang Li},
journal= {arXiv preprint arXiv:2502.12029},
year = {2025}
}