本文是LLM系列的文章,针对《Knowledge-Augmented Language Model Prompting for Zero-Shot Knowledge Graph Question Answering》的翻译。
摘要
大型语言模型(LLM)能够根据预先训练过程中存储在参数中的内部知识,执行零样本封闭式问答任务。然而,这种内化的知识可能是不充分和不正确的,这可能导致LLM产生事实上错误的答案。此外,微调LLM以更新其知识是昂贵的。为此,我们建议在LLM的输入中直接增加知识。具体来说,我们首先根据问题及其相关事实之间的语义相似性,从知识图谱中检索输入问题的相关事实。之后,我们以提示的形式将检索到的事实预先添加到输入问题中,然后将其转发给LLM以生成答案。我们的框架,知识增强语言模型提示(KAPING),不需要模型训练,因此完全是零样本。我们验证了我们的KAPING框架在知识图问答任务中的性能,该任务旨在根据知识图谱上的事实回答用户的问题,在不同大小的多个LLM中,我们的知识图谱平均比相关的零样本基线高出48%。