本論文は、専門分野における知識サービスの精度と論理性を向上させるため、大規模言語モデル(LLM)と知識グラフ(KG)を双方向に強化する技術フレームワーク「Knowledge Augmented Generation(KAG)」を提案している。
主な内容は以下の通り:
LLM向けの知識表現フレームワーク「LLMFriSPG」を提案した。これにより、スキーマフリーの情報抽出とスキーマ制約型の専門知識構築を同一の知識タイプ(エンティティタイプ、イベントタイプなど)で行え、グラフ構造と元のテキストチャンクの相互インデックスを可能にした。
論理形式に基づいた hybrid推論エンジンを提案した。これにより、正確な検索、KG推論、言語推論、数値計算を統合的に実現できる。
意味推論に基づく知識アラインメントアプローチを提案した。これにより、自動生成された断片的な知識を、ドメイン知識を介して整理・連結できる。
KAGのための強化モデル「KAG-Model」を提案した。これにより、インデックス構築、検索、質問理解、意味推論、要約などの機能モジュールの性能を向上できる。
実験結果では、従来のRAG手法と比較して、複雑な質問応答タスクでF1スコアが19.6%から33.4%向上した。また、Ant Groupの専門分野Q&Aタスクでも大幅な精度向上を示した。
Till ett annat språk
från källinnehåll
arxiv.org
Djupare frågor