EffiQA: Efficient Question-Answering with Strategic Multi-Model Collaboration on Knowledge Graphs

尽管大型语言模型在自然语言处理方面表现出了出色的能力，但它们在涉及知识图谱的复杂、多步推理任务中仍然存在困难。现有的将大型语言模型和知识图谱整合起来的方法要么未充分利用大型语言模型的推理能力，要么由于紧密耦合而导致计算成本过高。为了解决这些限制，我们提出了一种名为EffiQA的新型协作框架，可以通过迭代范式在性能和效率之间取得平衡。EffiQA包括三个阶段：全局规划、高效知识图谱探索和自我反思。具体而言，EffiQA利用大型语言模型的常识能力通过全局规划来探索潜在的推理路径。然后，它将语义修剪转移到一个小型插件模型中，以实现高效的知识图谱探索。最后，探索结果被馈送给大型语言模型进行自我反思，以进一步改进全局规划和高效的知识图谱探索。在多个知识库问答基准测试中的实证证据表明，EffiQA的有效性，实现了推理准确性和计算成本之间的最佳平衡。我们希望这种提出的新框架通过重新定义大型语言模型和知识图谱的整合，促进基于知识的问答的未来研究，为高效的、知识密集型的查询铺平道路。

论文旨在解决LLMs与KGs集成中的性能和效率问题，特别是在涉及复杂多步推理任务时。

EffiQA是一种新颖的协作框架，通过迭代范式在性能和效率之间取得平衡。EffiQA由三个阶段组成：全局规划、高效KG探索和自我反思。

EffiQA利用LLMs的常识能力通过全局规划探索潜在的推理路径，然后将语义修剪转移到小型插件模型以进行高效的KG探索。最后，探索结果被馈送给LLMs进行自我反思，以进一步改进全局规划和高效KG探索。实验结果表明EffiQA在多个KBQA基准测试中具有很高的效果和效率。

最近的相关研究包括：《Knowledge Graph Embedding: A Survey of Approaches and Applications》、《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》等。