Resposta a Perguntas Multi-Salto Baseada em LLM com Integração de Grafo de Conhecimento em Ambientes em Evolução

A rápida obsolescência da informação em Grandes Modelos de Linguagem (LLMs) impulsionou o desenvolvimento de várias técnicas para incorporar novos fatos. No entanto, métodos existentes para edição de conhecimento ainda enfrentam dificuldades com perguntas multi-salto que exigem identificação precisa de fatos e raciocínio lógico sequencial, principalmente entre diversas atualizações de fatos. Para enfrentar esses desafios, este artigo apresenta a Edição Baseada em Memória de Grafo para Grandes Modelos de Linguagem (GMeLLo), um método direto e eficaz que combina a representação explícita do conhecimento dos Grafos de Conhecimento (KGs) com a flexibilidade linguística dos LLMs. Além de simplesmente utilizar LLMs para responder perguntas, o GMeLLo emprega esses modelos para converter linguagem livre em consultas estruturadas e triplas factuais, facilitando a interação fluida com KGs para atualizações rápidas e raciocínio multi-salto preciso. Nossos resultados mostram que o GMeLLo supera significativamente os atuais métodos avançados de edição de conhecimento no benchmark de resposta a perguntas multi-salto, MQuAKE, especialmente em cenários com amplas edições de conhecimento.