SetKE：面向知识元素重叠的知识编辑

大型语言模型 (LLM) 在检索和问答等任务中表现出色，但需要更新以整合新知识并减少不准确和幻觉现象。传统更新方法，如微调和增量学习，面临过拟合和高计算成本等挑战。知识编辑 (KE) 提供了一条有前景的替代方案，但常常忽视了知识元素重叠 (KEO) 现象，即多个三元组共享常见元素，导致编辑冲突。我们确定了 KEO 在现有 KE 数据集中的普遍存在，并展示了其对当前 KE 方法的显著影响，导致处理此类三元组时性能下降。为解决这一问题，我们提出了一种新表述，知识集合编辑 (KSE)，并引入 SetKE，通过同时编辑多个三元组的集合来处理。实验结果表明，SetKE 在 LLM 上处理 KEO 场景时优于现有方法。此外，我们引入 EditSet，包含 KEO 三元组的数据集，提供了全面的基准。