الإجابة متعددة القفزات المعتمدة على نماذج اللغة الكبيرة مع دمج الرسم البياني المعرفي في البيئات المتطورة

أدى التقادم السريع للمعلومات في نماذج اللغة الكبيرة (LLMs) إلى تطوير تقنيات متنوعة لدمج الحقائق الجديدة. ومع ذلك، تواجه الطرق الحالية لتحرير المعرفة صعوبات مع الأسئلة متعددة القفزات التي تتطلب تحديد الحقائق بدقة والتفكير المنطقي التسلسلي، لا سيما وسط تحديثات الحقائق العديدة. لمعالجة هذه التحديات، تقدم هذه الورقة طريقة تحرير تستند إلى ذاكرة الرسم البياني للنماذج اللغوية الكبيرة (GMeLLo)، وهي طريقة مباشرة وفعالة تدمج التمثيل الصريح للمعرفة في الرسوم البيانية المعرفية (KGs) مع المرونة اللغوية لنماذج اللغة الكبيرة. يتجاوز GMeLLo مجرد الاستفادة من نماذج اللغة للإجابة على الأسئلة، إذ يستخدم هذه النماذج لتحويل اللغة الحرة إلى استعلامات منظمة وثلاثيات الحقائق، مما ييسر التفاعل السلس مع الرسوم البيانية المعرفية من أجل تحديثات سريعة وتفكير متعدد القفزات دقيق. تظهر نتائجنا أن GMeLLo يتفوق بشكل كبير على أحدث طرق تحرير المعرفة في معيار الإجابة على الأسئلة متعددة القفزات MQuAKE، خاصة في السيناريوهات التي تشهد تعديلات معرفية واسعة.