KG-RAG: Bridging the Gap Between Knowledge and Creativity

本文介绍了一个名为KG-RAG（知识图谱-检索增强生成）管道的新型框架，旨在通过将结构化知识图谱（KG）与LLMs的功能集成，从而显著减少对LLMs的潜在知识的依赖，从而增强LLMs的知识能力。KG-RAG管道从非结构化文本构建KG，然后在新创建的图上执行信息检索以执行KGQA（知识图谱问答）。检索方法利用一种名为“探索链”（CoE）的新算法，该算法利用LLMs的推理依次探索KG中的节点和关系。在ComplexWebQuestions数据集上的初步实验表明，在减少虚构内容方面取得了显着的改进，并且表明了发展能够处理知识密集型任务的智能系统的有前途的道路。

如何在保持大型语言模型代理（LMAs）的创造性能力的同时确保事实准确性？如何解决LMAs面临的信息幻觉、灾难性遗忘和处理长文本时的限制等问题？

将结构化的知识图谱（KGs）与LMAs的功能集成，从而显著减少对LLMs潜在知识的依赖，构建KG并对新创建的图进行信息检索以执行KGQA（知识图谱问答），利用一种称为“探索链（CoE）”的新算法，借助LLMs的推理能力顺序探索KG中的节点和关系。

论文介绍了KG-RAG（知识图谱-检索增强生成）管道，该管道是一种新颖的框架，旨在通过将结构化的知识图谱（KGs）与LLMs的功能集成，显著提高LMAs的知识能力。初步实验表明，在减少虚假内容方面有显著改进，并为开发处理知识密集型任务的智能系统开辟了有前途的道路。

在这个领域中，最近的相关研究包括：《A Survey of Knowledge Graph Embedding: Approaches, Applications and Benchmarks》、《Open Domain Question Answering Using GPT-3 Trained on Web Text》等。