Guiding Large Language Models to Answer Complex Logic Queries with Knowledge Graphs

本文是LLM系列文章，针对《Logic Query of Thoughts: Guiding Large Language Models to Answer Complex Logic Queries with Knowledge Graphs》的翻译。

摘要

尽管在许多任务中表现出色，但大型语言模型（LLM）在面对需要知识准确性的任务时，仍有产生幻觉甚至错误答案的风险。当处理需要多个逻辑推理步骤的逻辑查询时，这个问题变得更加明显。另一方面，基于知识图谱的问答方法能够借助知识图谱准确识别正确答案，但当知识图谱本身稀疏和不完整时，其准确性可能会迅速下降。如何以互惠互利的方式将知识图谱推理与LLM相结合，以缓解LLM的幻觉问题和知识图谱的不完整性问题，仍然是一个关键的挑战。在本文中，我们提出了“思维逻辑查询”（LGOT），这是第一个将LLM与基于知识图谱的逻辑查询推理相结合的方法。LGOT无缝结合了知识图谱推理和LLM，有效地将复杂的逻辑查询分解为易于回答的子问题。通过利用知识图谱推理和LLM，它成功地推导出了每个子问题的答案。通过汇总这些结果并为每个步骤选择最高质量的候选答案，LGOT可以对复杂问题获得准确的结果。我们的实验结果表明，性能得到了显著提升，比ChatGPT提高了20%。

1 引言

2 问题定义

3 提出的方法

4 实验

5 相关工作

6 结论

本文介绍了一种新的模型LGOT，它利用大型语言模型（LLM&#x