基于知识图谱集成的LLM多跳问答：面向演化环境
计算与语言
2024-12-05 v2
摘要
保持大型语言模型（LLM）知识更新是重要挑战，这导致发展出各种方法来整合新事实。然而，现有方法在需要精确事实识别和顺序逻辑推理的多跳问题上仍面临困难，尤其是在大量事实更新的情况下。为此，本文引入Graph Memory-based Editing for Large Language Models（GMeLLo），一种简单有效的方法，将知识图谱（KG）的显式知识表示与LLM的语言灵活性相结合。除了利用LLM进行问答，GMeLLo还利用这些模型将非结构化语言转换为结构化查询和事实三元组，实现与KG的无缝交互，以进行快速更新和精确的多跳推理。我们的结果表明，GMeLLo在多跳问答基准MQuAKE上显著优于当前最先进（SOTA）知识编辑方法，尤其在大量知识编辑的场景下表现尤为突出。
引用
@article{arxiv.2408.15903,
title = {LLM-Based Multi-Hop Question Answering with Knowledge Graph Integration in Evolving Environments},
author = {Ruirui Chen and Weifeng Jiang and Chengwei Qin and Ishaan Singh Rawal and Cheston Tan and Dongkyu Choi and Bo Xiong and Bo Ai},
journal= {arXiv preprint arXiv:2408.15903},
year = {2024}
}