【知识图谱+大模型的紧耦合新范式】Think-on-Graph：解决大模型在医疗、法律、金融等垂直领域的幻觉

首页
互联网
正文

本文介绍: ToG 方法的本质在于，通过LLM执行的知识图谱上的beam search，分阶段探索和评估推理路径，以便深度推理出复杂问题的精确答案，而 ToG-R 进一步减少了LLM调用，强调文字信息，提高了效率和鲁棒性。LLM使用的是链式思考，首先确认堪培拉是澳大利亚的首都，然后基于2021年9月的信息，认为澳大利亚总理是斯科特·莫里森，属于自由党，所以答案应该是自由党。此外，ToG的性能也受到搜索深度和宽度的影响，通过调整这两个参数，ToG的表现有所提升，尽管提升的幅度在深度超过一定阈值后会减弱。

Think-on-Graph：解决大模型在医疗、法律、金融等垂直领域的幻觉

Think-on-Graph 原理

ToG 算法步骤：想想再查，查查再想

实验结果

论文：https://arxiv.org/abs/2307.07697

代码：https://github.com/IDEA-FinAI/ToG

Think-on-Graph 原理

幻觉是什么：大模型的「幻觉」问题。

多跳推理路径的探索算法，提高深度推理能力：ToG 通过在知识图谱中动态探索多个推理路径，并利用 beam search 算法挑选最有前景的路径，从而增强了LLMs的深度推理能力。
显式、可编辑的推理路径，增强推理的责任感和可追溯性：通过提供明确的推理路径，ToG不仅增加了推理过程的可解释性，而且允许对模型输出的来源进行追踪和校正，从而提高了推理的责任感和可靠性。
插件式框架，提高大模型的灵活性和效率：通过知识图谱而非LLMs更新知识，可以提高知识的更新频率，降低更新成本，同时增强小型LLMs的推理能力，使其能与大型模型（如GPT-4）竞争。

在这里插入图片描述

Think-on-Graph 新技术对比之前的技术：

(a) LLM-only（只有大模型的情况）:

在这个例子中，LLM独立地尝试回答问题：“What is the majority party now in the country where Canberra is located?”。

LLM使用的是链式思考，首先确认堪培拉是澳大利亚的首都，然后基于2021年9月的信息，认为澳大利亚总理是斯科特·莫里森，属于自由党，所以答案应该是自由党。

然而，这个答案是错误的，因为LLM的知识是过时的。

(b) LLM ⊕ KG（例如，通过LLM生成的SPARQL查询）:

在这种范式下，LLM首先生成一个SPARQL查询来检索知识图谱（KG）。

在这个例子中，查询是为了找到堪培拉的国家，并检索该国家的主要政党。

由于知识图谱中不存在“majority party”的相关信息，这种方法未能得出正确答案。

这个范式展示了LLM与知识图谱紧密协作。

首先，LLM通过探索知识图谱中与堪培拉有关的三元组（triples）。

然后，通过“Think”步骤，它找到了最相关的三元组是（澳大利亚，首相，安东尼·阿尔巴尼斯）。

由于LLM知道安东尼·阿尔巴尼斯属于劳工党，并且自2019年以来一直是澳大利亚劳工党（ALP）的领导者，因此能够推断出正确答案是劳工党。

所以，Think-on-Graph 这种LLM与知识图谱的新技术，效果也是最好的。

LLM ⊗ KG (Think-on-Graph) 方法通过结合LLM的动态推理能力和KG的丰富、结构化知识
显著提升了解答的准确性和可靠性
解决了仅使用LLM时的知识过时问题和 LLM与KG结合时的信息缺失问题

Think-on-Graph 工作流程：

工作流程分为三个深度搜索阶段（Depth 1、Depth 2、Depth 3），逐步深化搜索，每个阶段都深入探索与前一阶段发现的实体相关的更多信息。

以回答问题：“堪培拉所在的国家目前的主要政党是什么？”

Depth 1:识别问题中的关键实体（堪培拉）和与其直接相关的属性（它是哪个国家的首都）。
- 搜索: 以堪培拉为中心，探索相关实体和关系。
- 剪枝: 对探索结果进行评估，保留重要的实体和关系，淘汰评分低的部分。在这个阶段，确定堪培拉是一个地域，是澳大利亚的首都。
Depth 2:以第一阶段确定的国家（澳大利亚）为中心，进一步探索与政府头目（首相）相关的信息。
- 搜索: 以澳大利亚为中心，进一步探索与政府、首相等相关的实体和关系。
- 剪枝: 继续评估和淘汰，确定了澳大利亚的首相是安东尼·阿尔巴尼斯。
Depth 3:最后，确定首相（安东尼·阿尔巴尼斯）的政党隶属，从而得出国家的主要政党。
- 搜索: 最后以安东尼·阿尔巴尼斯为中心，搜索与政党相关的实体和关系。
- 剪枝: 最终找到安东尼·阿尔巴尼斯与劳工党的关系。

在每个深度的搜索和剪枝过程中，发光的实体代表中心实体，粗体实体代表被选中的中心实体。

图中的边缘的黑暗度代表了由LLM给出的评分，虚线表示由于评分低而被剪枝的关系（精准回答，避免模糊宽泛）。

最终，基于这些推理路径，生成的答案是“Labor Party”（劳工党）。

本质：ToG通过逐步深入的探索和剪枝过程，结合LLM的推理能力和KG的丰富数据，动态构建推理路径以提供精准且可追溯的答案。

ToG 算法步骤：想想再查，查查再想

ToG方法的主要问题是如何利用LLM进行深度推理以回答基于知识图谱的复杂问题。

ToG是通过 beam search 在知识图谱上执行搜索，以此来解决问题。

子问题1：初始化图搜索。
- 子解法1：定位初始实体。
  之所以使用这个解法，是因为需要在知识图谱中确定起始点，这是构建推理路径的基础。
子问题2：探索。
- 子解法2.1：关系探索。
  用于从当前已知实体探索可能的关系，因为这有助于确定接下来可能的推理方向。
- 子解法2.2：实体探索。
  接着用于从已知关系探索相关实体，因为这可以进一步扩展推理路径。
子问题3：推理。
- 子解法3：评估推理路径。
  之所以使用此解法，是因为需要评估当前推理路径是否足够回答问题，如果足够则生成答案，否则继续探索和推理过程。

还有 ToG-R（基于关系的Think-on-Graph 变种）：

子问题1：减少LLM调用次数。
- 子解法1：随机剪枝。
  之所以使用这个解法，是因为它减少了使用LLM进行实体剪枝的需要，这样可以降低总体成本和推理时间。
子问题2：强调关系文字信息。
- 子解法2：关系链探索。
  选择这种解法是因为它强调了关系的文字信息，当中间实体的文字信息缺失或LLM不熟悉时，可以减少误导推理的风险。

ToG 方法的本质在于，通过LLM执行的知识图谱上的beam search，分阶段探索和评估推理路径，以便深度推理出复杂问题的精确答案，而 ToG-R 进一步减少了LLM调用，强调文字信息，提高了效率和鲁棒性。

初始化图搜索的问题，通过定位初始实体的子解法来解决。
探索问题，通过关系探索和实体探索两个子解法来解决。
推理问题，通过评估推理路径的子解法来解决。
ToG-R 特有的问题，通过随机剪枝和关系链探索两个子解法来解决。

在这里插入图片描述

假设我们要回答的问题是：“谁是最近一次举办奥运会的国家的现任总统？”

初始化图搜索:
- 我们首先利用LLM确定问题中的关键实体“最近一次举办奥运会的国家”，并将其作为搜索的起始点。
探索:
- 关系探索:
  在知识图谱中搜索与“奥运会举办国”相关的实体关系，比如“举办年份”和“国家”。
- 实体探索:
  接下来，我们基于“举办年份”这一关系，探索出最近一次举办奥运会的具体国家，例如“日本”。
推理:
- 根据已经探索到的信息，评估是否有足够的数据来回答原问题。
- 如果已知的国家“日本”和关系“现任总统”足够回答问题，我们就进行下一步；
- 如果不足够，就需要进一步的探索和推理。