SymAgent：面向知识图谱复杂推理的神经符号自学习智能体框架
人工智能
2025-02-19 v2 计算与语言
机器学习
摘要
近期进展表明，大语言模型（LLMs）在解决复杂推理问题时容易产生幻觉，导致错误结果。为解决此问题，研究者引入知识图谱（KGs）以增强 LLMs 的推理能力。然而，现有方法面临两个局限：1）它们通常假设问题的所有答案都包含在 KGs 中，忽略了 KGs 的不完备性问题；2）它们将 KG 视为静态存储库，忽视了 KGs 中固有的隐式逻辑推理结构。在本文中，我们提出 SymAgent，一种创新的神经符号智能体框架，实现了 KGs 与 LLMs 之间的协同增强。我们将 KGs 概念化为动态环境，并将复杂推理任务转化为多步交互过程，使 KGs 能够深度参与推理过程。SymAgent 包含两个模块：Agent-Planner 和 Agent-Executor。Agent-Planner 利用 LLM 的归纳推理能力从 KGs 中提取符号规则，指导高效的问题分解。Agent-Executor 自主调用预定义的动作工具，整合来自 KGs 和外部文档的信息，解决 KG 不完备性问题。此外，我们设计了一个包含在线探索和离线迭代策略更新阶段的自学习框架，使智能体能够自动合成推理轨迹并提升性能。实验结果表明，配备较弱 LLM 骨干（即 7B 系列）的 SymAgent 相比各种强基线模型，取得了更好或相当的性能。进一步分析表明，我们的智能体能够识别缺失三元组，促进 KG 的自动更新。
引用
@article{arxiv.2502.03283,
title = {SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs},
author = {Ben Liu and Jihai Zhang and Fangquan Lin and Cheng Yang and Min Peng and Wotao Yin},
journal= {arXiv preprint arXiv:2502.03283},
year = {2025}
}