Paper Digest | 在图上思考：基于知识图谱的深度且负责的大语言模型推理

笔记整理：孙硕硕，东南大学硕士，研究方向为自然语言处理
链接： https://arxiv.org/abs/2307.07697

Part.1 动机

本文的动机是大型语言模型在各种任务中取得了较大的进步，但它们往往难以完成复杂的推理，并且在知识可追溯性、及时性和准确性等至关重要的情况下表现出较差的性能。

为了解决这些限制，作者提出了 Think-on-Graph (ToG)，这是一个新颖的框架，它利用知识图谱来增强 LLM 的深度和负责任的推理能力。通过使用 ToG，可以识别与给定问题相关的实体，并进行探索和推理以从外部知识数据库中检索相关三元组。

这个迭代过程生成多个推理路径，由顺序连接的三元组组成，直到收集到足够的信息以回答问题或达到最大深度。通过对复杂的多跳推理问答任务的实验，作者证明了 ToG 优于现有方法，有效地解决了 LLM 的上述限制，而不会带来额外的训练成本。

Part.2 贡献

本文的主要贡献包括：

1）提出了一种新的框架 ToG，该框架集成了思维推理和知识图谱链来回答知识密集型问题。2）ToG框架从类人迭代信息检索中汲取灵感，生成多个高概率推理路径。3）实验结果表明，ToG在不增加训练成本的情况下显著增强了现有的提示方法，缓解了LLM中的幻觉问题，展示了将LLM与知识图谱集成用于推理任务的潜力。

Part.3 方法

本文引入了 ToG，这是一种用于图搜索的新范式，它提示 LLM 根据给定的查询中的实体探索多种可能的推理路径。ToG 不断维护问题 x 的 topN 推理路径 p，每条路径由几个三元组 Ti 组成。ToG 搜索的整个过程可以分为以下三个步骤：实体获取、探索和推理。根据中间步骤的组合，本文提出了两种方法：基于实体的 ToG 和基于关系的 ToG。

基于实体的 ToG

ToG 首先提示 LLM 提取问题中的实体并获得每个实体对问题的贡献分数。这与之前将问题分解为子问题的方法不同，ToG 更强调实体。在 ToG 框架中，探索阶段至关重要，因为它旨在识别最相关的 top-N 三元组作为给定问题的推理路径中的中间步骤，基于广度优先搜索。这一阶段包括两个不同的阶段：关系探索和实体探索。作者采用两个步骤来生成当前搜索迭代、搜索和修剪的关系候选集，LLM自动完成这个过程。关系探索阶段首先搜索与当前实体集中每个实体相关联的所有关系。搜索过程可以通过执行两个简单的预定义形式查询轻松完成，这使得 ToG 在没有任何训练成本的情况下很好地适应不同的 KB。一旦获得了候选集和关系搜索，就会对查询贡献较低的边进行剪枝，只保留前 N 个边作为当前探索迭代的终止。可以利用LLM根据给定的问题基于当前实体剪枝，得到与当前关系集，即最相关的top-N关系及其对应的分数。与关系探索类似，实体探索仍然使用 LLM 自动执行的两个步骤，即搜索和修剪。在执行上述两种探索后，可以构建一个综合推理路径，其中每个中间步骤对应于一个顺序相关的三元组。在通过探索过程获得当前推理路径 P 后，提示 LLM 评估当前推理路径是否足以推断答案。如果评估产生积极的结果，对得分进行归一化并提示 LLM 使用以问题为输入的推理路径生成答案。相反，如果评估产生负面结果，重复探索和推理步骤，直到评估为正或达到最大搜索深度。

基于关系的 ToG

以往的知识库问答方法，特别是那些利用语义解析的方法，主要依赖于基于关系的信息来生成正式查询。实体的文字信息并不总是完整的，尤其是在对缺少实体“名称”一部分的不完整知识图谱执行查询时，这可能会误导推理。因此，本文提出了基于关系的 ToG，它消除了探索过程中搜索中间实体的需要。它利用 LLM 的推理能力为推理过程中的每个链使用不同的候选集来生成答案。这种方法提供了两个关键好处：1）它消除了对探索实体耗时的过程的需求，从而降低了整体方法成本并显著提高了推理速度。2) 特别是在不完整的 KB 数据集下，这种方法主要关注关系的语义信息，导致更高的准确性。值得注意的是，这两种方法都遵循类似的管道，但在中间步骤中扩展推理链方面有所不同。与基于实体的 ToG 相比，基于关系的 ToG 只涉及关系的探索和推理，其中推理阶段保持不变。两种方法之间最显著的区别是以下两种方法：实体集合中采样的样本是独立同分布的，通过计算几个样本的平均值，可以推导出实体集内关系的平均值。由于中间步骤不涉及任何实体，需要根据关系、历史路径和实体集合获得候选集，其中实体集是固定的。因此，候选实体集作为推理路径中的终端节点。具体算法步骤如表1所示。

图1 算法步骤

图2 本文方法的总体框架

Part.4 实验

本文在知识密集型任务上评估提出的方法，问题需要特定的知识来回答，LLM 在这种任务上经常会遇到幻觉问题。Complex Web Questions (CWQ)是一个用于回答需要对多个三元组进行推理的复杂问题的数据集，它包含大量自然语言中的复杂问题。本文前人工作相同，使用完全匹配精度作为评估指标。对于 CWQ 数据集，作者随机选择 1,000 个样本作为测试集。然后排除了无法成功执行 SPARQL 查询和链接到缺乏“名称”关系答案的实体的样本。最终实验保留了 995 个样本。主要知识库来源是 Freebase。本文将探索、推理和答案生成的温度设置为 0，以实现可重复性，并将生成的最大token长度设置为 256。本文使用了 ChatGPT API 执行上述过程。对于基线模型，作者使用标准提示 (IO 提示) 和思维链提示 (CoT)，其中包含 6 个上下文示例和“逐步”推理链。ToG 在 CWQ 数据集上的性能如表 2 所示。很明显，在仅保留三个推理路径的实验条件下，每条路径的最大长度为 3，ToG(E) 在 CWQ 上的表现优于 CoT 14.86%，ToG(R) 为 17.47%。

表1 CWQ 数据集的性能。ToG(E) 和 ToG(R) 分别表示基于实体的 ToG 和基于关系的 ToG

Part.5 总结

在这项工作中，作者提出了一种新的框架 ToG，该框架集成了思维推理和知识图谱链来回答知识密集型问题。ToG框架从类人迭代信息检索中汲取灵感，生成多个高概率推理路径。实验结果表明，ToG在不增加训练成本的情况下显著增强了现有的提示方法，缓解了LLM中的幻觉问题，展示了将LLM与知识图谱集成用于推理任务的潜力。

持续分享 SPG 及 SPG + LLM 双驱架构相关干货及进展

官网：https://spg.openkg.cn/

Github：https://github.com/OpenSPG/open