ACL 2024 | 构建超关系知识图谱（KG），增强大模型多跳/Multi-hop QA问答能力！

文章预览

点击上方 “ AINLPer “ ，设为 星标 更多干货，第一时间送达 引言 对于非结构化文本，大模型 (LLM) 比较擅长回答简单（单跳）问题。然而，随着问题的复杂性增加，LLM 的性能会下降。本文作者认为其主要原因是，大模型在理解复杂问题和从原始文本中筛选、聚合非结构化信息过程中出现了性能问题。 为此，本文作者为了能让LLMs能够轻松回答复杂的多跳问题（ Multi-hop QA ），本文提出了 HOLMES方法，该方法 创建了一个以查询为中心的上下文感知超关系知识图谱（KG） ， 经过剪枝该图谱只包含与查询相关的信息，并作为LLM的唯一输入，Multi-hop QA效果具有大幅提升。与最先进的方法相比，最高可节约67%Token，并在 多个测试集上取得了一致性的提升 。 https://arxiv.org/pdf/2406.06027 背景介绍 多跳问答 (MHQA) 是NLP领域中一项重要挑战。假如我们要提取某公司董 ………………………………