使用部分知识提示大型语言模型以回答未见实体问题
计算与语言
2025-08-05 v1
摘要
检索增强生成（RAG）通过补充和替代大型语言模型（LLM）中的参数化知识，展现出惊人的性能。检索到的知识可分为三类：显性答案证据、隐性答案线索，以及不足的答案上下文（进一步可分为完全无关和部分相关信息）。有效利用部分相关知识仍是RAG系统的关键挑战，尤其是在知识库检索不完整的情况下。与传统观点不同，本文提出新视角：LLM已可通过内嵌于其中的部分相关知识被唤醒。为全面考察这一现象，我们使用包含金标准推理路径及其变体的三元组，通过去除包含答案的路径来构建部分相关知识。我们对LLM中的唤醒效应进行理论分析，并通过两个知识图谱（KG）问答（QA）数据集验证假设。此外，我们提出新任务——未见实体KGQA，模拟实体链接因知识图谱不完整而失败的实际场景。我们的唤醒式方法在实际应用中表现更佳，优于依赖嵌入相似性的传统方法（后者易返回噪声信息）。
引用
@article{arxiv.2508.01290,
title = {Prompting Large Language Models with Partial Knowledge for Answering Questions with Unseen Entities},
author = {Zhichao Yan and Jiapu Wang and Jiaoyan Chen and Yanyan Wang and Hongye Tan and Jiye Liang and Xiaoli Li and Ru Li and Jeff Z. Pan},
journal= {arXiv preprint arXiv:2508.01290},
year = {2025}
}