Logic Query of Thoughts: Guiding Large Language Models to Answer Complex Logic Queries with Knowledge Graphs

尽管大型语言模型在许多任务中表现出色，但在需要准确知识的任务中，存在生成幻觉甚至错误答案的风险。当处理需要多个逻辑推理步骤的逻辑查询时，这个问题变得更加明显。另一方面，基于知识图谱的问答方法可以在知识图谱的帮助下准确识别正确答案，但当知识图谱本身稀疏和不完整时，其准确性可能很快恶化。如何以互惠方式将知识图谱推理与大型语言模型相结合，以缓解大型语言模型的幻觉问题和知识图谱的不完整问题，仍然是一个重要的挑战。在本文中，我们提出了“思维逻辑查询”（LGOT），它是第一个将大型语言模型与基于知识图谱的逻辑查询推理相结合的模型。LGOT无缝地结合了知识图谱推理和大型语言模型，有效地将复杂的逻辑查询分解为易于回答的子问题。通过利用知识图谱推理和大型语言模型，它成功地为每个子问题推导出答案。通过汇总这些结果并选择每个步骤的最高质量候选答案，LGOT实现了对复杂问题的准确回答。我们的实验结果表明，LGOT具有显着的性能提升，ChatGPT的性能提高了高达20%。

本论文旨在解决大型语言模型（LLMs）和知识图谱（KG）问答方法各自存在的问题，通过将两者相结合来提高问答的准确性。

论文提出了一种名为'Logic-Query-of-Thoughts'（LGOT）的方法，将知识图谱推理和LLMs相结合，将复杂的逻辑查询分解为易于回答的子问题，并通过汇总结果和选择最高质量的候选答案来实现准确的结果。

论文的实验结果表明，LGOT相比当前的ChatGPT模型，取得了高达20%的性能提升。此外，论文还开源了相关代码和数据集，值得进一步研究。

最近在这个领域中，还有一些相关的研究，如BERT-QA、KG-BERT等。