Mejorando los Modelos de Lenguaje Grandes con Grafos de Conocimiento Pseudo- y Multifuente para Respuestas a Preguntas Abiertas

Mitigar las alucinaciones de los Modelos de Lenguaje Grandes (LLMs) y mejorarlos es una tarea crucial. Aunque algunos métodos existentes emplean técnicas de auto-mejora del modelo, no abordan eficazmente las alucinaciones factuales desconocidas. El uso de enfoques de mejora con Grafos de Conocimiento (KG) no logra cubrir la generalización a través de diferentes fuentes de KG ni la mejora simultánea de preguntas con respuestas abiertas. Para superar estas limitaciones, se propone un marco que combina la Generación de Pseudo-Grafos y la Verificación Atómica del Conocimiento. La mejora de los LLM usando KG en un escenario de preguntas abiertas se implementa aprovechando la Generación de Pseudo-Grafos. La Verificación Atómica del Conocimiento utiliza consultas y verificaciones a nivel atómico para lograr la generalización bajo diferentes fuentes de KG. En comparación con la línea base, este enfoque ofrece una mejora mínima de 11.5 en la puntuación ROUGE-L para preguntas abiertas. Para preguntas precisas, observamos una mejora mínima en la exactitud de 7.5. Además, se demuestra que este marco exhibe generalización a través de distintas fuentes de KG. En resumen, nuestros resultados abren camino para mejorar los LLM incorporando Grafos de Conocimiento Pseudo- y Multifuente, especialmente en el contexto de preguntas abiertas.