विरोधाभासी: बड़े भाषा मॉडल ज्ञान ग्राफ़्स को हमारी अपेक्षा से बेहतर समझ सकते हैं

हालांकि बड़े भाषा मॉडल्स (LLMs) की तर्क क्षमता बढ़ाने और उनकी कल्पनाओं को कम करने के लिए ज्ञान ग्राफ़्स (KGs) के उपयोग की विधि को व्यापक ध्यान मिला है, लेकिन यह मौजूदा शोध अपर्याप्त है कि LLMs को ऑन-द-फ्लाई में KGs में संरचित ज्ञान को एकीकृत करने में सक्षम कैसे बनाया जाए। शोधकर्ता अक्सर KG एम्बेडिंग्स और LLM पैरामीटर्स को सह-प्रशिक्षित करते हैं ताकि LLMs को KG ज्ञान समझने की क्षमता दी जा सके। हालांकि, यह संसाधन-लालची प्रशिक्षण मॉडल सीखने की लागत को काफी बढ़ा देता है और गैर-ओपन-सोर्स, ब्लैक-बॉक्स LLMs के लिए अनुपयुक्त भी है। इस पेपर में, हमने LLM की KG ज्ञान समझने की क्षमता का परीक्षण करने के लिए कॉम्प्लेक्स प्रश्नोत्तर (CQA) का उपयोग किया। हमने KG ज्ञान इंजेक्शन विधियों (ट्रिपल्स से प्राकृतिक भाषा पाठ तक) की व्यापक तुलना की, जिसका उद्देश्य LLMs को KG ज्ञान प्रदान करने के लिए सर्वोत्तम प्रॉम्प्टिंग विधि का पता लगाना था, ताकि उनकी KG की समझ को बढ़ाया जा सके। हमारे प्रारंभिक अनुमान के विपरीत, हमारे विश्लेषण से पता चला कि LLMs असंगठित, शोरयुक्त और रेखीयकृत KG ज्ञान को प्रभावी ढंग से संभालते हैं, जो अच्छी तरह से डिज़ाइन किए गए प्राकृतिक भाषा (NL) पाठ प्रॉम्प्ट्स की तुलना में बेहतर प्रदर्शन करते हैं। यह विरोधाभासी निष्कर्ष भविष्य के शोध के लिए महत्वपूर्ण अंतर्दृष्टियाँ प्रदान करता है कि LLMs संरचित ज्ञान को कैसे समझते हैं।