Der Artikel stellt einen neuen Benchmark namens GraphQA vor, der eine umfassende und vielfältige Sammlung von Datensätzen für graphbasierte Frage-Antwort-Aufgaben in verschiedenen Anwendungsdomänen wie Alltagslogik, Szenenverständnis und Wissensrepräsentation umfasst.
Um diese Aufgaben effektiv zu lösen, präsentiert der Artikel G-Retriever, eine neuartige Architektur, die die Stärken von Graphneuronalen Netzen, Großen Sprachmodellen und Retrieval-Augmented Generation kombiniert. G-Retriever adressiert die Probleme der Halluzination und mangelnden Skalierbarkeit, die bei bestehenden Ansätzen auftreten.
Der Schlüssel zu G-Retrievers Leistungsfähigkeit ist die Formulierung der Teilgraph-Abrufaufgabe als ein Prize-Collecting Steiner Tree Optimierungsproblem. Dies ermöglicht es, nur die für die Anfrage relevanten Teile des Graphen abzurufen und effizient in das Große Sprachmodell einzubinden.
Die empirischen Ergebnisse zeigen, dass G-Retriever die Leistung von Baseline-Methoden in verschiedenen Textgraph-Aufgaben übertrifft, gut mit größeren Graphgrößen skaliert und Halluzinationen effektiv vermeidet.
Til et annet språk
fra kildeinnhold
arxiv.org
Viktige innsikter hentet fra
by Xiaoxin He,Y... klokken arxiv.org 03-15-2024
https://arxiv.org/pdf/2402.07630.pdfDypere Spørsmål