本文是LLM系列文章，针对《Large Language Models Meet Knowledge Graphs to Answer Factoid Questions》的翻译。
大型语言模型与知识图谱相遇，回答虚假问题
- 摘要
- [1 引言](#1 引言)
- [2 相关工作](#2 相关工作)
- [3 提出的方法](#3 提出的方法)
- [4 实验设计](#4 实验设计)
- [5 结果与讨论](#5 结果与讨论)
- [6 结论](#6 结论)
摘要
最近，有研究表明，将结构化知识整合到大型语言模型中可以显著提高各种NLP任务的结果。在本文中，我们提出了一种方法来探索预训练的文本到文本语言模型，该模型丰富了来自知识图谱的附加信息，用于回答事实性问题。更具体地说，我们提出了一种基于问题实体和候选答案的知识图谱子图提取算法。然后，我们通过提取的子图的线性化，使用基于transformer的模型获得易于解释的信息。使用提取的信息对候选答案进行最终重新排序，可将预训练的文本到文本语言模型的Hits@1分数提高4 - 6%。
1 引言
2 相关工作
3 提出的方法
4 实验设计
5 结果与讨论
6 结论
综上所述，在本文中，我们提出了一种利用知识图谱的附加信息来提高llm问答输出的方法。通过提取与输入问题实体和预测答案候选人相关的子图，我们将Hits@1提高了4%到6%;并根据提取的子图对候选答案进行进一步排序。我们的结果分析表明，建议的解决方案提高了交叉题的分数，而对比较题几乎没有影响。消融研究证明了pipeline各步骤的效率。作为未来的工作，我们计划将我们的方法扩展到其他语言，并使用实体链接器和其他生成式Transformer模型测试整个pipeline。