KG-CoT: Prompt de Cadeia de Pensamento para Grandes Modelos de Linguagem sobre Grafos de Conhecimento para Perguntas com Consciência de Conhecimento

Grandes modelos de linguagem (LLMs) enfrentam desafios como alucinações e erros factuais em tarefas intensivas em conhecimento. Por um lado, os LLMs às vezes têm dificuldade em gerar respostas confiáveis baseadas no conhecimento paramétrico de caixa-preta, devido à falta de conhecimento responsável. Além disso, fatos fragmentados extraídos por recuperadores de conhecimento não fornecem caminhos de raciocínio explícitos e coerentes para aprimorar o raciocínio dos LLMs. Para abordar esses desafios, propomos o KG-CoT, um novo paradigma aumentado por conhecimento que aproveita um modelo pequeno de raciocínio gráfico passo a passo para raciocinar sobre grafos de conhecimento (KGs) e utiliza um método de geração de caminhos de raciocínio para gerar cadeias de raciocínio com alta confiança para LLMs em larga escala. Experimentos extensivos demonstram que nosso KG-CoT melhora significativamente o desempenho dos LLMs em tarefas de perguntas intensivas em conhecimento, como benchmarks de perguntas de múltiplos saltos, saltos simples e domínio aberto, sem necessidade de ajuste fino dos LLMs. O KG-CoT supera o prompting CoT, bem como bases de comparação anteriores baseadas em recuperação aumentada e perguntas baseadas em bases de conhecimento. Além disso, o KG-CoT pode reduzir o número de chamadas API e custo, além de generalizar para vários backbones de LLM de maneira leve, plug-and-play.