摘要
针对通用大语言模型(LLM)和检索增强生成(RAG)在特定领域复杂条件问答中表现不佳的问题,本文提出KGCaRe框架。该框架结合神经检索与符号推理,利用多提示策略从文档构建知识图谱(KG),并存储于图数据库及向量库中。KGCaRe通过LLM引导的迭代图遍历提取相关三元组,修剪无关信息,并结合语义检索文本生成带解释的答案。实验表明,该方法在多个数据集上显著优于基线模型。
AI 推荐理由
论文核心在于通过知识图谱遍历增强LLM的逻辑推理能力,解决复杂条件问答中的推理难题。
研究机构
Amazon Web Services (AWS)
Amazon Web Services (AWS) Research
University of Washington
论文信息