通过知识图谱集成协作的强化提示型 LLM 推理方案
内容提要
本文综述大语言模型与知识图谱结合的推理研究，涵盖RoG、KnowledgeNavigator、GraphLLM、KSL等方法，通过图推理、多跳检索和知识增强提升LLM推理准确性与可解释性，减少幻觉，并在多项基准上取得领先性能。
延伸解读
知识图谱增强LLM推理的动机
文章指出，大型语言模型仅依赖内部知识时容易产生幻觉，尤其在处理不常见信息时。知识图谱能提供结构化外部知识，弥补这一缺陷。通过将LLM与知识图谱结合，可以提升推理准确性和可解释性，减少幻觉。这为后续方法提供了共同的问题背景。
代表性方法的技术路线
文章综述了多种方法：RoG通过图推理实现忠实可解释的推理；KnowledgeNavigator迭代检索知识图谱并构建有效提示；KSL将检索转化为多跳决策序列；GraphLLM端到端融合图学习与LLM；MindMap生成心智地图解释推理。这些方法从不同角度利用知识图谱增强LLM。
性能提升与评估结果
实验表明，这些方法在多个基准上取得领先性能。例如，GraphLLM平均准确率提高54.44%，上下文减少96.45%；KnowledgeNavigator在知识图问答基准上优于先前方法，媲美完全监督模型；KSL在三个数据集上大幅提升。这些结果验证了知识图谱集成的有效性。
当前局限与未来方向
文章提到，现有方法多强调从非结构化文本检索，忽视底层结构，且缺乏对异构知识源（如知识库和文本）进行有效定位的基准数据集。为此，作者构建了综合数据集，提出两跳多源问题和符号化查询生成挑战。此外，AutoKG等基于多智能体的方法为知识图谱构建与推理提供了新机遇。
Q&A
RoG方法是如何结合大语言模型和知识图谱进行推理的？
RoG（图推理）将大语言模型与知识图谱相结合，通过图推理实现忠实和可解释的推理，在知识图谱推理任务上取得了最先进的性能。
KnowledgeNavigator框架如何解决大语言模型的幻觉问题？
KnowledgeNavigator通过从知识图谱中高效准确地检索外部知识，挖掘和增强问题的潜在约束来指导推理，并迭代检索过滤支持回答的知识，最后将结构化知识构建为有效提示，从而减少幻觉和知识限制。
KSL范例如何增强大语言模型的搜索能力？
KSL利用大语言模型的概括能力，教它们从外部知识库中搜索必要知识，并将检索过程转化为多跳决策序列，从而增强搜索能力并提高推理过程的可解释性。
GraphLLM在知识图谱推理任务上的性能提升如何？
GraphLLM通过将图学习模型与大型语言模型有机融合，在多个基础图推理任务上实现了平均准确率提高54.44%，并减少了96.45%的上下文。
MindMap方法如何利用知识图谱提升问答性能？
MindMap方法通过知识图谱向大语言模型提供新知识和推理路径，并生成心智地图来解释推理过程，从而在问答任务中显著提升性能。
AutoKG方法是什么？它有什么作用？
AutoKG是一种基于多智能体的方法，利用大语言模型进行知识图谱构建和推理，为该领域的未来发展提供了机遇。
