MindMap: La incitación con gráficos de conocimiento desencadena un gráfico de pensamientos en modelos de lenguaje grandes

Los grandes modelos de lenguaje (LLMs) han logrado un rendimiento notable en tareas de comprensión y generación de lenguaje natural. Sin embargo, a menudo presentan limitaciones como dificultad para incorporar conocimiento nuevo, generación de alucinaciones y explicación de su proceso de razonamiento. Para abordar estos desafíos, proponemos una nueva canalización de incitación, llamada MindMap, que aprovecha los gráficos de conocimiento (KGs) para mejorar la inferencia y la transparencia de los LLMs. Nuestro método permite que los LLMs comprendan entradas de KGs e infieran con una combinación de conocimiento implícito y externo. Además, nuestro método revela el mapa mental de los LLMs, que muestra sus rutas de razonamiento basadas en la ontología del conocimiento. Evaluamos nuestro método en diversas tareas de preguntas y respuestas, especialmente en dominios médicos, y mostramos mejoras significativas respecto a los baselines. También presentamos un nuevo punto de referencia para la evaluación de alucinaciones y analizamos los efectos de diferentes componentes de nuestro método. Nuestros resultados demuestran la efectividad y robustez de nuestro método en la fusión de conocimiento desde los LLMs y KGs para una inferencia combinada. Para reproducir nuestros resultados y extender el marco, ponemos nuestro código a disposición en https://github.com/wylwilling/MindMap.