大型语言模型作为挖掘对象知识的工具
人工智能
2024-10-18 v1 计算与语言
摘要
常识知识对机器推理世界观至关重要。 大型语言模型 (LLM) 已展现出接近人类水平的文本生成能力。 尽管如此, 它们仍不足以作为可信赖的智能系统, 由于其答案依据的不透明性以及对模糊实体或技术领域的问题时倾向于捏造事实。 我们假设相反, 它们对日常世界中常见对象的一般知识基本是可靠的。 基于此假设, 本文探讨了 LLM 提取有关常见物理器物知识的能力, 具体关注其部件和材料。 我们的工作区分构成整个对象的物质与构成其部件的物质——这一在知识库构建中先前未被充分探索的区分。 使用五个情境示例的零样本多步骤提示, 我们为约 2300 个对象及其子类型的部件和材料制作了数据存储库。 我们评估表明, LLM 在提取知识方面的覆盖范围和可靠性。 对对象结构和组成推理的 AI 研究以及作为 LLM 执行多跳问答的显式知识来源(类似于知识图谱)均有所促进。
引用
@article{arxiv.2410.12959,
title = {Large Language Models as a Tool for Mining Object Knowledge},
author = {Hannah YoungEun An and Lenhart K. Schubert},
journal= {arXiv preprint arXiv:2410.12959},
year = {2024}
}