KnowledgeNavigator: aproveitando grandes modelos de linguagem para raciocínio aprimorado sobre grafo de conhecimento

Resumo Grandes modelos de linguagem alcançaram desempenho excepcional em várias tarefas subsequentes com seu avançado entendimento da linguagem natural e capacidade zero-shot. Contudo, eles enfrentam limitações relativas a restrições de conhecimento, especialmente em tarefas que exigem raciocínio complexo ou sequências lógicas prolongadas. Essas limitações podem afetar seu desempenho em respostas a perguntas, levando a imprecisões e alucinações. Este artigo propõe uma estrutura inovadora chamada KnowledgeNavigator que utiliza grandes modelos de linguagem em grafos de conhecimento para alcançar raciocínio multi-hop preciso e interpretável. Especialmente com um processo de análise-recuperação-raciocínio, o KnowledgeNavigator busca iterativamente o caminho ideal para recuperar conhecimento externo e guiar o raciocínio para respostas confiáveis. O KnowledgeNavigator trata grafos de conhecimento e grandes modelos de linguagem como componentes flexíveis que podem ser alternados entre diferentes tarefas sem custos adicionais. Experimentos em três benchmarks demonstram que o KnowledgeNavigator melhora significativamente o desempenho dos grandes modelos de linguagem em respostas a perguntas e supera todas as linhas de base baseadas em grandes modelos de linguagem.