MindMap: Estímulo de Grafo de Conhecimento Desencadeia um Grafo de Pensamentos em Grandes Modelos de Linguagem

Grandes modelos de linguagem (LLMs) alcançaram desempenho notável em tarefas de compreensão e geração de linguagem natural. No entanto, frequentemente apresentam limitações como dificuldade em incorporar novos conhecimentos, geração de alucinações e explicação do processo de raciocínio. Para enfrentar esses desafios, propomos um novo pipeline de estímulo, chamado MindMap, que utiliza grafos de conhecimento (KGs) para aprimorar a inferência e transparência dos LLMs. Nosso método permite que os LLMs compreendam entradas de KG e inferem combinando conhecimento implícito e externo. Além disso, nosso método extrai o mapa mental dos LLMs, que revela seus caminhos de raciocínio baseados na ontologia do conhecimento. Avaliamos nosso método em diversas tarefas de perguntas e respostas, especialmente em domínios médicos, e mostramos melhorias significativas em relação às linhas de base. Também introduzimos um novo benchmark de avaliação de alucinações e analisamos os efeitos dos diferentes componentes do nosso método. Nossos resultados demonstram a eficácia e robustez do nosso método na fusão do conhecimento proveniente dos LLMs e dos KGs para uma inferência combinada. Para reproduzir nossos resultados e estender o framework, disponibilizamos nosso código em https://github.com/wylwilling/MindMap.