대형 언어 모델(LLM)은 지능형 클라우드 서비스 내 자연어 처리 능력의 핵심 엔진으로 기능하지만, 제한된 사실 저장소와 지속적인 환각 문제로 인해 복잡한 추론 시나리오에서 효율성이 저하됩니다. 조직화된 데이터를 제공하는 지식 그래프(KG)는 견고한 추론 기반을 제공하지만, KG에 의존하는 기존 방법들은 이를 고정된 저장소로 보아 관계적 구조를 간과합니다. 이로 인해 정보 활용이 최적화되지 못하고 허위 지식이 포함될 수 있어 추론의 정확성을 저해합니다. 이러한 단점을 해결하기 위해, 우리는 LLM과 KG를 유기적으로 결합하고 프롬프트를 개선하여 추론 신뢰성과 해석 가능성을 증진하는 프롬프트 기반 KG 강화 LLM 추론 방법인 PDR을 제안합니다. PDR은 (1) 서브그래프 검색 단계로, 정제된 페이지랭크 알고리즘이 쿼리를 KG 구조와 정렬하고 문서 검색을 통합하여 최대한 많은 답변 커버리지와 관련성을 가진 서브그래프를 생성하며, (2) 추론 단계로, 작업별 프롬프트가 서브쿼리를 추론 단서로 내장하여 LLM이 사고의 연쇄와 후보 KG 경로를 생성하도록 유도하고, 이어서 의미적 일관성과 KG 구조와의 정합성을 평가하는 단계적 필터링 과정을 통해 가장 적절한 답변을 식별합니다. 광범위한 실험 결과, PDR은 단순 및 다중 홉 추론 과제 모두에서 최첨단 기준을 능가하며 보다 정확하고 해석 가능한 결과를 도출함을 보였습니다.
Rui 외(수요일,)가 이 질문을 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: