چکیده
بزرگترین مدلهای زبانی بزرگ بهصورت فزایندهای برای پاسخدهی به سوالات بر پایهٔ دانشگراف (KGQA) به کار میروند، اما ممکن است در جایگذاری پاسخها بر روی گراف زیربنایی شکست بخورند. رویکردهای فعلی KGQA مبتنی بر LLM یا بهطور کامل به تجزیه معنوی به سمت پرسوجوهای قابل اجرا مانند SPARQL وابستهاند که بهدلیل پیچیدگی اسکیماها یا ناکامیهای گرافهای واقعی در دنیای واقعی، در عمل شکننده میشوند؛ یا بر پایهٔ استدلال LLM و تولید پاسخ بر روی دانشگراف است که میتواند مقاوم باشد اما ضمانتهای رسمی ندارد. در این کار، یک حالت مکمل را بررسی میکنیم که در آن پاسخهای «کاندید» توسط یک سیستم مبتنی بر LLM تولید شده و سپس با محدودیتهای نمادین سبکوزن که از سوال مشتق میشوند، تأیید میشوند. ما «انتخاب موجودیت تحت دانش جزئی (CES-PK)» را معرفی میکنیم؛ یک فرمولبندی مسئله است که بر حذف پاسخهای نامعتبر و ارائه حمایت نمادین برای پاسخهای معتبر متمرکز است، بدون نیاز به ساخت اشکال منطقی قابل اجرا. برای مقابله با دانشグラфهای ناقص، از دینامیک محدودیت سهمقداری «راضی، نقضشده، ناشناخته» استفاده میکنیم که از رد نادرست تحت فرضیات جهان باز جلوگیری مینماید. برای نشان دادن اثرات روش خود، این چارچوب را بر روی دانشグラф بیومدیک Hetionet نمونهسازی کرده و تأثیر محدودیتهای نوع، رابط و استثنا را ارزیابی میکنیم. نتایج نشان میدهد که دقت با فیلتر کردن کاندیدهای نامعتبر بهبود مییابد، در حالی که یادآوری بهدلیل حفظ کاندیدهایی که محدودیتهایشان صراحتاً نقض نشدهاند، حفظ میشود. محدودیتهای راضی، شواهد نمادین مثبت اضافی برای رتبهبندی کاندیدهای باقیمانده فراهم میآورند.
متن کامل
علوم کامپیوتر > هوش مصنوعی
arXiv:2608.24824v1 (cs) [ارسال شده در ۲۵ اوت ۲۰۲۶]
عنوان: انتخاب موجودیت محدودشده تحت دانش ناقص برای پرسش و پاسخ گراف دانش مبتنی بر مدلهای زبانی بزرگ (LLM)
نویسندگان: امانوئل کیتزلمان
مشاهده PDF مقاله با عنوان انتخاب موجودیت محدودشده تحت دانش ناقص برای پرسش و پاسخ گراف دانش مبتنی بر مدلهای زبانی بزرگ (LLM)، توسط امانوئل کیتزلمان
مشاهده PDF HTML (آزمایشی)
چکیده: مدلهای زبانی بزرگ (LLM) به طور فزایندهای برای پرسش و پاسخ گراف دانش (KGQA) استفاده میشوند، اما ممکن است در استقرار صحیح پاسخها در گراف زیرین با مشکلات مواجه شوند. رویکردهای فعلی برای پرسش و پاسخ گراف دانش مبتنی بر مدلهای زبانی بزرگ (KGQA) یا به تجزیه معنایی کامل به پرسوجوهای قابل اجرا مانند SPARQL تکیه دارند که در عمل به دلیل طرحوارههای پیچیده یا ناقص بودن گرافهای دانش (KG) در دنیای واقعی شکننده است، یا به استدلال مدلهای زبانی بزرگ (LLM) و تولید پاسخ بر روی گرافهای دانش تکیه دارند که میتواند مقاومتر باشد اما فاقد تضمینهای رسمی است. در این کار، یک تنظیم مکمل را مطالعه میکنیم که در آن پاسخهای \emph{کاندید} توسط یک سیستم مبتنی بر مدلهای زبانی بزرگ (LLM) تولید شده و متعاقباً با استفاده از محدودیتهای نمادین سبک که از سؤال استخراج شدهاند، تأیید میشوند. ما \emph{انتخاب موجودیت محدودشده تحت دانش ناقص (CES-PK)} را معرفی میکنیم، یک صورتبندی مسئله که بر حذف پاسخهای نامعتبر و ارائه پشتیبانی نمادین برای پاسخهای معتبر تمرکز دارد، بدون نیاز به ساخت فرمهای منطقی قابل اجرا. برای در نظر گرفتن گرافهای دانش (KG) ناقص، از معنای محدودیت سهارزشی (\emph{برآورده شده، نقض شده، ناشناخته}) استفاده میکنیم که از رد کردنهای نادرست تحت فرضیات جهان-باز جلوگیری میکند. برای نشان دادن اثرات روش خود، این چارچوب را بر روی گراف دانش زیستپزشکی Hetionet پیادهسازی کرده و تأثیر محدودیتهای نوع، رابطه و استثنا را ارزیابی میکنیم. آزمایشها نشان میدهند که دقت با فیلتر کردن کاندیدهای نامعتبر بهبود مییابد، در حالی که فراخوانی به دلیل حفظ کاندیدهایی که محدودیتهایشان به صراحت نقض نشده است، حفظ میشود. محدودیتهای برآورده شده، شواهد نمادین مثبت اضافی برای رتبهبندی کاندیدهای باقیمانده فراهم میکنند.
نظرات:
موضوعات: هوش مصنوعی (cs.AI)
ارجاع به صورت: arXiv:2608.24824 [cs.AI] (یا arXiv:2608.24824v1 [cs.AI] برای این نسخه)
https://doi.org/10.48550/arXiv.2608.24824
تمرکز برای کسب اطلاعات بیشتر
DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت)
DOI مرتبط: https://doi.org/10.1007/978-3-032-32335-4_21
تمرکز برای کسب اطلاعات بیشتر
DOI(هایی) که به منابع مرتبط پیوند دارند
تاریخچه ارسال
از: امانوئل کیتزلمان [مشاهده ایمیل]
[v1] سهشنبه، ۲۵ اوت ۲۰۲۶ ۱۷:۰۴:۳۲ UTC (19 KB)
ابزارهای کتابشناختی
ابزارهای کتابشناختی و استناد
کاوشگر کتابشناختی
فعال/غیرفعال کردن کاوشگر کتابشناختی (کاوشگر چیست؟)
مقالات مرتبط
فعال/غیرفعال کردن مقالات مرتبط (مقالات مرتبط چیست؟)
Litmaps
فعال/غیرفعال کردن Litmaps (Litmaps چیست؟)
scite.ai
فعال/غیرفعال کردن استنادهای هوشمند scite (استنادهای هوشمند چیست؟)
کد، داده، رسانه
کد، داده و رسانه مرتبط با این مقاله
alphaXiv
فعال/غیرفعال کردن alphaXiv (alphaXiv چیست؟)
پیوندهای کد
فعال/غیرفعال کردن یابنده کد CatalyzeX برای مقالات (CatalyzeX چیست؟)
DagsHub
فعال/غیرفعال کردن DagsHub (DagsHub چیست؟)
GotitPub
فعال/غیرفعال کردن Gotit.pub (Gotit.pub چیست؟)
Huggingface
تغییر وضعیت Hugging Face (Hugging Face چیست؟)
ScienceCast
تغییر وضعیت ScienceCast (ScienceCast چیست؟)
دموها
دموها
Replicate
تغییر وضعیت Replicate (Replicate چیست؟)
Spaces
تغییر وضعیت Hugging Face Spaces (Spaces چیست؟)
TXYZ.AI
تغییر وضعیت TXYZ.AI (TXYZ.AI چیست؟)
مقالات مرتبط
ابزارهای توصیهگر و جستجو
پیوند به گل
تأثیر
(گلهای تأثیر چیست؟)
تغییر وضعیت توصیهگر اصلی
توصیهگر CORE (CORE چیست؟)
نویسنده
مکان
مؤسسه
موضوع
درباره arXivLabs
arXivLabs: پروژههای آزمایشی با همکاران جامعه arXivLabs چارچوبی است که به همکاران امکان میدهد ویژگیهای جدید arXiv را مستقیماً در وبسایت ما توسعه و به اشتراک بگذارند. هم افراد و هم سازمانهایی که با arXivLabs کار میکنند، ارزشهای ما در باز بودن، جامعه، برتری و حریم خصوصی دادههای کاربر را پذیرفته و درک کردهاند. arXiv به این значies متعهد است و تنها با شرکایی کار میکند که به آنها پایبند باشند. ایدهای برای پروژهای دارید که ارزش افزوده برای جامعه arXiv ایجاد کند؟ درباره arXivLabs بیشتر بیاموزید.
کدام نویسندگان این مقاله تأییدکننده هستند؟
| غیرفعال کردن MathJax (MathJax چیست؟)