Key points are not available for this paper at this time.
대형 언어 모델(LLM)은 특정 도메인 지식이 부족하고 미세 조정된 모델조차도 환각을 보이는 경우가 많습니다. 따라서 외부 지식을 포함할 수 있는 더욱 신뢰할 수 있는 모델이 필요합니다. 우리는 LLM의 답변을 상당히 개선할 수 있는 파이프라인인 4StepFocus와 특히 전처리 단계를 제시합니다. 이는 모델이 관계적 맥락을 캡처하고 스스로 기초적인 추론을 수행하는 능력을 활용하여 외부 지식에 대한 안내된 접근을 제공함으로써 달성됩니다. 이 방법은 반구조화 지식 기반에서 삼중체 기반 검색을 통해 잠재적으로 올바른 답변을 직접적이고 추적 가능한 방식으로 좁힙니다. 그런 다음 비구조화된 데이터에 따라 후보들을 순위 매기기 위해 잠재적 표현으로 전환합니다. 이는 순전히 잠재적 표현에 기초한 관련 방법들과 구별됩니다. 4StepFocus는 다음 단계를 포함합니다: 1) LLM에 의한 관계적 데이터 추출을 위한 삼중체 생성, 2) 지식 그래프를 활용하여 답변 후보를 좁히기 위한 해당 삼중체의 변수 대체, 3) 관련 비구조화 데이터와의 벡터 유사성 검색을 통해 남은 후보 정렬, 4) 제공된 배경 데이터를 바탕으로 LLM이 최상의 후보를 재순위 매김. 의료, 제품 추천 및 학술 논문 검색 테스트 세트에서의 실험 결과 이 접근 방식이 실제로 강력한 증강임을 입증합니다. 정보 검색에서 관련 추적 가능한 배경 정보를 추가할 뿐만 아니라 최신 방법에 비해 성능을 상당히 개선시킵니다. 이 논문은 새롭고 대체로 탐색되지 않은 방향을 제시하며, 따라서 폭넓은 미래 연구 기회를 제공합니다. 사용된 소스 코드는 https://github.com/kramerlab/4StepFocus에서 사용할 수 있습니다.
Boer et al. (Sun,)는 이 질문을 연구했습니다.