文章预览
笔记整理：杜超超，天津大学硕士，研究方向为自然语言处理、大语言模型 论文链接：https://aclanthology.org/2024.acl-demos.35.pdf 发表会议：ACL 2024 1. 动机 大语言模型（ L LM s ）在问答任务中已经被广泛应用，然而 L LM s 容易出现幻觉和事实性错误。虽然可以通过查询知识图谱（ K G ）来减少这种幻觉，但是存在两个挑战： （ 1 ） KG 中的知识可能覆盖不完全： K G 有能力涵盖大量信息，但在存储知识时也面临着实现全面覆盖的挑战。 K G 中明确编码的三元组不足以完全涵盖实际问答场景所需的知识。现有的用 K G 增强问答系统的方法主要集中在改进解析形式语言或检索知识三元组中的语义相关性，为预定义问题在 K G 中寻找相应的知识预存储。对于未命中 K G 的查询的后续处理关注相对较少； （ 2 ）通过信息抽取和 K G 补全来更新 K G 的时候，面临着知识不
………………………………
