CuriousLLM: Elevating Multi-Document QA with Reasoning-Infused Knowledge Graph Prompting

在问答（QA）领域，将大型语言模型（LLMs）与外部数据库结合起来已经取得了巨大的成功。然而，这些方法通常无法提供复杂QA任务所需的高级推理。为了解决这些问题，我们改进了一种新的方法，称为知识图谱提示（KGP），它将知识图谱与基于LLM的代理相结合，以提高推理和搜索准确性。然而，原始的KGP框架需要使用大型数据集进行昂贵的微调，并且仍然存在LLM幻觉。因此，我们提出了一种推理注入的LLM代理来增强这个框架。这个代理模仿人类的好奇心，提出跟进问题，更有效地导航搜索。这个简单的修改显著提高了LLM在QA任务中的性能，而没有初始KGP框架所带来的高成本和延迟。我们的最终目标是进一步开发这种方法，从而在QA领域实现更精确、更快速和更具成本效益的解决方案。

提高大型语言模型在问答领域的推理和搜索准确性，解决当前方法在复杂问答任务中存在的问题。

结合知识图谱和大型语言模型的知识图谱提示（KGP）框架，并引入人类好奇心的思想，设计了一种基于推理的大型语言模型代理，提高了KGP框架的性能。

实验结果表明，该方法显著提高了大型语言模型在问答任务中的性能，而且不需要昂贵的数据集和微调过程。该方法的开源代码和数据集也可供研究者使用。

最近的相关研究包括：《Unifying Question Answering and Text Classification via Span Extraction》、《Multi-Task Learning for Answer Sentence Selection in Question Answering》等。