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.
Sang ngôn ngữ khác
từ nội dung nguồn
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Xiaoxin He,Y... lúc arxiv.org 03-15-2024
https://arxiv.org/pdf/2402.07630.pdfYêu cầu sâu hơn