摘要
大语言模型(LLMs)虽擅长推理,但缺乏知识图谱(KGs)提供的 grounding。本文提出 GRALAN,通过保留图结构的关系标记,使 KG 直接在 LLM 的语义空间中表达。GRALAN 作为可训练的语言中介器,能为任何冻结的 LLM 生成结构化标记,为知识密集型应用奠定基础。我们将问答任务重构为针对问题相关子图的实体分类,实验表明 GRALAN 在复杂多跳推理任务上显著优于现有方法,确立了兼顾结构保真度与 LLM 推理能力的新范式。
AI 推荐理由
论文核心解决KG与LLM集成以增强复杂多跳推理能力,直接提升推理性能。
研究机构
DeMaCS, University of Calabria
论文信息