图上的计划：知识图谱上大型语言模型的自我纠正自适应规划

发布于2024年10月31日

By Liyi Chen, Panrong Tong, Zhongming Jin, Ying Sun, Jieping Ye, Hui Xiong

arXiv:2410.23875 [ cs.AI ] github:liyichen-cly/PoG

摘要

大型语言模型（LLMs）在复杂任务上展示了显著的推理能力，但它们仍然受到知识过时、幻觉和不透明决策的困扰。相比之下，知识图谱（KGs）可以为LLMs提供明确且可编辑的知识，以缓解这些问题。现有的KG增强LLM范式手动预定义探索空间的广度，并要求在KGs中无瑕疵地导航。然而，这种范式无法根据问题语义自适应地探索KGs中的推理路径，也无法自我纠正错误的推理路径，导致效率和效果的瓶颈。为了解决这些限制，我们提出了一种名为Plan-on-Graph（PoG）的新型自我纠正自适应规划范式，用于KG增强的LLM，该范式首先将问题分解为若干子目标，然后重复自适应探索推理路径、更新记忆和反思是否需要自我纠正错误推理路径的过程，直到得出答案。具体来说，设计了指导、记忆和反思三个重要机制，共同工作，以保证图推理自我纠正规划的自适应广度。最后，在三个真实世界数据集上的大量实验证明了PoG的有效性和效率。