FiDeLiS: Raciocínio Fiel em Modelo de Linguagem Grande para Resposta a Perguntas em Grafos de Conhecimento

Embora os grandes modelos de linguagem (LLMs) tenham alcançado sucesso significativo em várias aplicações, eles frequentemente enfrentam alucinações, especialmente em cenários que exigem raciocínio profundo e responsável. Esses problemas podem ser parcialmente mitigados pela integração de grafos de conhecimento (KG) externos no raciocínio dos LLMs. No entanto, o método de incorporação ainda é amplamente inexplorado. Neste artigo, propomos um método interativo de recuperação-exploração, FiDeLiS, para lidar com passos intermediários de raciocínio fundamentados em KGs. Especificamente, propomos o módulo Path-RAG para recordar conhecimentos intermediários úteis do KG para o raciocínio dos LLMs. Incorporamos a lógica e o raciocínio de senso comum dos LLMs e a conectividade topológica dos KGs no processo de recuperação de conhecimento, o que proporciona um desempenho de recordação mais preciso. Além disso, propomos aproveitar as capacidades de raciocínio dedutivo dos LLMs como um critério melhor para guiar automaticamente o processo de raciocínio de forma gradual e generalizável. A verificação dedutiva serve como indicadores precisos para quando cessar o raciocínio, evitando assim cadeias de raciocínio enganosas e computação desnecessária. Experimentos extensivos mostram que nosso método, como um método livre de treinamento, com menor custo computacional e melhor generalidade, supera as fortes linhas de base existentes em três benchmarks.