GE-Chat: Un marco de RAG mejorado por gráficos para la generación de respuestas evidenciales de los LLMs

Los Modelos de Lenguaje Grande (LLMs) se han vuelto integrales en los procesos de toma de decisiones humanas. Sin embargo, sus resultados no siempre son fiables, a menudo requiriendo que los usuarios evalúen manualmente la precisión de la información proporcionada. Este problema se agrava por respuestas alucinadas, que se presentan frecuentemente con explicaciones convincentes pero incorrectas, generando preocupaciones de confianza entre los usuarios. Para abordar este desafío, proponemos GE-Chat, un marco de generación aumentada por recuperación mejorado por gráficos de conocimiento diseñado para ofrecer respuestas basadas en evidencia. Específicamente, cuando los usuarios cargan un documento, GE-Chat construye un gráfico de conocimiento para apoyar a un agente de recuperación aumentada, enriqueciendo las respuestas del agente con conocimiento externo más allá de sus datos de entrenamiento. También incorporamos razonamiento de Cadena de Pensamientos (CoT), búsqueda de subgráficos n-salto y generación de oraciones basada en implicaciones para asegurar la recuperación precisa de evidencia. Los resultados experimentales demuestran que nuestro enfoque mejora la capacidad de los modelos existentes para identificar evidencia precisa en contextos libres, ofreciendo un mecanismo fiable para verificar las conclusiones generadas por LLMs y mejorar la confianza.