KnowledgeNavigator: aprovechando modelos de lenguaje grandes para mejorar el razonamiento sobre grafos de conocimiento

Resumen Los modelos de lenguaje grandes han logrado un rendimiento sobresaliente en diversas tareas posteriores gracias a su avanzado entendimiento del lenguaje natural y su capacidad de aprendizaje cero-shots. Sin embargo, enfrentan dificultades con las limitaciones del conocimiento, especialmente en tareas que requieren razonamiento complejo o secuencias lógicas extendidas. Estas limitaciones pueden afectar su desempeño en la respuesta a preguntas, conduciendo a inexactitudes y alucinaciones. Este artículo propone un marco novedoso llamado KnowledgeNavigator que aprovecha los modelos de lenguaje grandes sobre grafos de conocimiento para lograr un razonamiento de múltiples saltos preciso e interpretable. Especialmente con un proceso de análisis-recuperación-razonamiento, KnowledgeNavigator busca iterativamente la ruta óptima para recuperar conocimiento externo y guiar el razonamiento hacia respuestas fiables. KnowledgeNavigator trata a los grafos de conocimiento y los modelos de lenguaje grandes como componentes flexibles que pueden alternarse entre diferentes tareas sin costos adicionales. Experimentos en tres benchmarks demuestran que KnowledgeNavigator mejora significativamente el rendimiento de los modelos de lenguaje grandes en la respuesta a preguntas y supera a todas las líneas base basadas en modelos de lenguaje grandes.