Plan-on-Graph：大型语言模型在知识图谱上的自适应自校正规划
人工智能
2024-11-01 v1
摘要
大型语言模型（LLMs）在复杂任务上展现出卓越的推理能力，但仍受困于知识过时、幻觉和决策过程不透明等问题。相比之下，知识图谱（KGs）能为LLMs提供显式且可编辑的知识，以缓解这些问题。现有的KG增强LLM范式通常手动预定义探索空间的广度，并要求在KG中进行无差错导航。然而，这种范式无法根据问题语义自适应地探索KG中的推理路径，也不能自我纠正错误的推理路径，导致效率和效果上的瓶颈。为解决这些局限，我们提出了一种新颖的KG增强LLM自校正自适应规划范式，名为Plan-on-Graph（PoG）。该方法首先将问题分解为若干子目标，然后重复执行自适应探索推理路径、更新记忆以及反思是否需要自我纠正错误推理路径的过程，直至得出答案。具体而言，我们设计了引导、记忆和反思三个重要机制协同工作，以保证图推理中自校正规划的自适应广度。最后，在三个真实世界数据集上的大量实验证明了PoG的有效性和效率。
引用
@article{arxiv.2410.23875,
title = {Plan-on-Graph: Self-Correcting Adaptive Planning of Large Language Model on Knowledge Graphs},
author = {Liyi Chen and Panrong Tong and Zhongming Jin and Ying Sun and Jieping Ye and Hui Xiong},
journal= {arXiv preprint arXiv:2410.23875},
year = {2024}
}