KNOWNET: Guided Health Information Seeking from LLMs via Knowledge Graph Integration

本文介绍了KNOWNET这一可视化系统，它将大型语言模型（LLMs）与知识图谱（KG）相结合，以提供增强的准确性和结构化探索，以应对健康信息寻求中潜在的错误信息和复杂性的严重风险。具体而言，为了增强准确性，KNOWNET从LLM输出中提取三元组（例如实体及其关系），并将它们映射到外部KG中的验证信息和支持证据中。为了进行结构化探索，KNOWNET基于当前探索实体在KG中的邻域提供下一步推荐，旨在引导全面理解，同时不忽略关键方面。为了使KG中的结构化数据和LLMs中的非结构化输出都能进行推理，KNOWNET将对主题的理解概念化为逐步构建图形可视化。引入了渐进式图形可视化来监控过去的查询，并将当前查询与探索历史和下一步推荐联系起来。我们通过使用案例和专家访谈证明了我们系统的有效性。

论文试图解决通过将大型语言模型（LLMs）与知识图谱（KG）集成，提供增强的准确性和结构化探索，以解决健康信息搜索中存在的误导和复杂性问题。

KNOWNET系统从LLMs的输出中提取三元组，并将它们映射到外部KG中的验证信息和支持证据，以提供增强的准确性。另外，KNOWNET提供基于当前探索实体在KG中的邻域的下一步推荐，以引导全面的理解而不忽略关键方面。为了使KG中的结构化数据和LLMs中的非结构化输出都能进行推理，KNOWNET将对主题的理解概念化为图形可视化的渐进构建。

KNOWNET系统在使用案例和专家访谈中展示了其有效性。使用了多个数据集进行实验，并且开源了代码。该系统的亮点包括提供增强的准确性和结构化探索，以及引导全面的理解。

近期的相关研究包括：1. "A survey of knowledge graph applications in biomedicine and health care"；2. "Knowledge graph-based question answering system for disease diagnosis"；3. "Enhancing Clinical Decision Support through Deep Question Answering"。