Think-on-Graph: Deep and Responsible Reasoning of Large Language Model on Knowledge Graph
预备知识
(Reasoning) LLM 依赖 CoT (Chain-of-Thought) 等 reasoning 方式来实现较为精确的推理. 然而, 凭借 LLM 内蕴的知识, 往往难以避免幻觉问题 (既然 LLM 本身学习到的知识往往是 “过时” 的).
(Knowledge Graph (KG)) 因而, 很多方法试图接触外部知识 (KG or 数据库) 来作为 LLM 的一个补充. 一种常见的方式是:
- 由 LLM 判断当前 context 是否足够进行回答;
- 倘若不能, 由 LLM 生成一段查询语句, 在 KG or 数据库中进行查询;
- 基于数据库查询的结果, LLM 继续进行推理.
核心思想
(LLM $\oplus$ KG) 作者称上面这种方式为 LLM $\oplus$ KG, 即 LLM 和 KG 可以看作是两个独立的组件, 二者存在微弱的联系. 这种方式的问题就是, 由于 LLM 并不知道 KG 的完整内容, 因此难以直接生成非常贴切的查询语句, 导致最后往往不能检索出有效信息.
(LLM $\otimes$ KG) 因此作者提出 Think-on-Graph (本质上这是一种特殊的 Beam Search). 假设我们在图上推理的时候落到 KG 的某个节点(某条边)上, 由此往下会有多个相邻关系(节点), 显然由于计算开销的限制, 我们不能一一尝试, 具体选择哪些方向由 LLM 决定 (对于 LLM $\oplus$ KG, “路径"在看到这些相邻信息前基本上就已经决定了, 因此在需要多跳推理的效果会比较差).
