检索-重写-回答：一种面向知识图谱问答的 KG 到文本增强 LLM 框架
计算与语言
2023-09-22 v2 人工智能
摘要
尽管大型语言模型（LLM）在知识密集型任务上表现具有竞争力，它们在记忆所有世界知识尤其是长尾知识方面仍有局限。在本文中，我们研究用于解决需要丰富世界知识的知识图谱问答（KGQA）任务的 KG 增强语言模型方法。已有工作表明，检索 KG 知识以增强 LLM 提示可显著提升 LLM 在 KGQA 中的性能。然而，它们的方法缺乏对 KG 知识的良好文本化，即忽视了 KG 表示与文本表示之间的鸿沟。为此，我们提出一种答案敏感的 KG 到文本方法，可将 KG 知识转化为对 KGQA 最具信息量的良好文本化陈述。基于该方法，我们提出一种 KG 到文本增强的 LLM 框架用于解决 KGQA 任务。在多个 KGQA 基准上的实验表明，所提出的 KG 到文本增强 LLM 方法在答案准确率与知识陈述有用性方面优于先前的 KG 增强 LLM 方法。
引用
@article{arxiv.2309.11206,
title = {Retrieve-Rewrite-Answer: A KG-to-Text Enhanced LLMs Framework for Knowledge Graph Question Answering},
author = {Yike Wu and Nan Hu and Sheng Bi and Guilin Qi and Jie Ren and Anhuan Xie and Wei Song},
journal= {arXiv preprint arXiv:2309.11206},
year = {2023}
}