【AAAI2025】通过自适应多方面检索增强，利用大型语言模型进行知识图谱问答

文章预览

大型语言模型（LLMs）展现了显著的能力，但在进行复杂知识推理时，常常会出现幻觉现象和知识过时的问题，导致生成事实错误的输出。此前的研究尝试通过从大规模知识图谱（KGs）中检索事实性知识来帮助LLMs进行逻辑推理和答案预测。然而，这种方法常常引入噪音和无关数据，特别是在包含来自多个知识方面的大量上下文的情况下。在这种情况下，LLM的注意力可能会被误导，偏离问题和相关信息。 在我们的研究中，我们提出了一个基于知识图谱（KGs）的自适应多方面检索增强（AMAR）框架。该方法检索包括实体、关系和子图的知识，并将每一条检索到的文本转换为提示嵌入。AMAR框架包含两个关键子组件：1）自对齐模块，旨在对齐实体、关系和子图之间的共性，以增强检索文本，从而减少噪音干扰；2）相关性门控模块，采用软门控机制学习问题 ………………………………