文章介绍了一种名为“知识图谱结构作为提示”(KG Structure as Prompt)的新方法,该方法旨在增强小型语言模型(SLMs)在知识驱动的因果发现任务中的能力。
通过将知识图谱中的结构信息融入到基于提示的学习中,此方法能够提升SLMs对于因果关系的推理能力。在生物医学和开放领域的数据集上,该方法在少量样本的情况下表现优异,甚至超过了大多数基线和使用完整数据集训练的传统微调方法。
此外,研究还揭示了SLMs结合知识图谱和提示学习时,有潜力超越参数量更大的语言模型。
任务和方法
1. 任务定义
- 目标: 给定一对实体(e1, e2),预测它们之间是否存在因果关系。
- 任务类型: 二分类问题,分类为因果或非因果关系。
- 数据集: 包含训练实例和关系标签的集合D={X,Y},其中每个实例x包含一个标记的变量对和对应的标签。
2. 方法概览
-
总体框架: 如图2所示,该方法包括生成图上下文并将其与SLMs结合进行提示学习。
-
图上下文生成: 从知识图谱中提取结构信息,如邻接节点和共同邻接节点,并将其转换为自然语言形式。
-
模型输入: 变量对、文本上下文及图上下文共同构成模型的输入。
3. 知识图谱结构作为提示
-
定义: 将知识图谱中的结构信息转换为自然语言描述,形成图上下文。
-
图上下文形式化: 接节点: x “is connected to” [x2]x2∈V2 x,带关系标签的邻接节点: x “has” Ex,x2 “relation with” [x2]x2∈V 2x。
-
例如: 对于前列腺癌节点,其图上下文包括与之相邻的药物、基因等。
4. 共同邻接节点
-
定义: 两个节点共享的邻接节点数量越多,它们之间的关系越紧密。
-
公式表示: CN{x, y} = N(x) ∩ N(y)。
-
例如: 在Hetionet知识图谱中,乳腺癌和ERBB2之间的共同邻接节点数达到95个,表明它们之间存在密切的关系。
结语
本文提出了一种名为“知识图谱结构作为提示”(KG Structure as Prompt)的新方法,通过将知识图谱中的结构信息整合到小型语言模型的提示学习中,有效提升了这些模型在有限样本条件下进行知识驱动的因果发现任务的能力。
论文题目:Knowledge Graph Structure as Prompt: Improving Small Language Models Capabilities for Knowledge-based Causal Discovery
论文链接: https://arxiv.org/abs/2407.18752
如何学习大模型?
学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!
1. 成长路线图&学习规划
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
这里,我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的,我们精选了一系列深入探讨大模型技术的书籍和学习文档,它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。(书籍含电子版PDF)
3. 大模型视频教程
对于很多自学或者没有基础的同学来说,书籍这些纯文字类的学习教材会觉得比较晦涩难以理解,因此,我们提供了丰富的大模型视频教程,以动态、形象的方式展示技术概念,帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用 ,当你的理论知识积累到一定程度,就需要通过项目实战,在实际操作中检验和巩固你所学到的知识,同时为你找工作和职业发展打下坚实的基础。
5. 大模型面试题
面试不仅是技术的较量,更需要充分的准备。
在你已经掌握了大模型技术之后,就需要开始准备面试,我们将提供精心整理的大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。
全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方CSDN官方认证二维码,免费领取【
保证100%免费
】