SR-FoT：面向知识型推理任务的大语言模型的 Syllogistic-Reasoning 框架思维
人工智能
2025-01-22 v1 计算与语言
摘要
演绎推理是解决基于现有知识的复杂问题所必需的关键逻辑能力。尽管通过链式思维提示得到增强, 大语言模型 (LLM) 可能不会遵循正确的推理路径。增强 LLM 的演绎推理能力, 并利用其在各种推理任务中的广泛内置知识, 仍是一个开放问题。试图模仿人类的演绎推理范式, 我们提出一种多阶段 Syllogistic-Reasoning 框架思维 (SR-FoT), 使 LLM 能够处理复杂知识型推理任务中的演绎推理。我们的 SR-FoT 从解释问题开始, 然后使用解释和原始问题提出一个合适的主要前提。随后, 在两个阶段生成并解答次要前提问题以匹配次要前提。最后, 我们引导 LLM 使用之前生成的主要和次要前提进行演绎推理, 以推导出原始问题的答案。针对知识型推理任务进行的大量和彻底的实验表明, 我们 SR-FoT 的有效性和优势。
引用
@article{arxiv.2501.11599,
title = {SR-FoT: A Syllogistic-Reasoning Framework of Thought for Large Language Models Tackling Knowledge-based Reasoning Tasks},
author = {Wentao Wan and Zhuojie Yang and Yongcan Chen and Chenglin Luo and Ruilin Wang and Kehao Cai and Nan Kang and Liang Lin and Keze Wang},
journal= {arXiv preprint arXiv:2501.11599},
year = {2025}
}
备注
This paper has been accepted by AAAI 2025