图上规划：大型语言模型在知识图谱上的自校正自适应规划

发布日期：2024年10月31日

作者：Liyi Chen、Panrong Tong、Zhongming Jin、Ying Sun、Jieping Ye、Hui Xiong

arXiv:2410.23875 [ cs.AI ] github:liyichen-cly/PoG

摘要

大型语言模型（LLM）在复杂任务中展现出卓越的推理能力，但仍然存在知识过时、幻觉和决策不透明等问题。相比之下，知识图谱（KG）可以为LLM提供明确且可编辑的知识，以缓解这些问题。现有知识图谱增强型LLM范式手动预定义探索空间的广度，并要求在知识图谱中进行完美导航。然而，这种范式无法根据问题语义自适应地探索知识图谱中的推理路径，也无法自校正错误的推理路径，从而导致效率和效果的瓶颈。为了解决这些局限性，我们提出了一种名为“图上规划”（Plan-on-Graph，PoG）的新型自校正自适应规划范式，用于知识图谱增强型LLM。该范式首先将问题分解为若干子目标，然后重复自适应探索推理路径、更新记忆和反思是否需要自校正错误推理路径的过程，直到得到答案。具体而言，我们设计了引导、记忆和反思三个重要机制协同工作，以确保图推理的自校正规划具有自适应广度。最后，在三个真实世界数据集上进行的广泛实验证明了PoG的有效性和效率。