.png){kind=icon}
返回
Knowledge graph-extended retrieval augmented generation for question answering
.png){kind=icon}
OA
AI
DOI：10.1007/s10489-025-06885-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）和知识图谱（KGs）为鲁棒且可解释的问答（QA）提供了一种有前景的方法。虽然LLMs擅长自然语言理解，但存在知识空白和幻觉问题。知识图谱提供了结构化知识，但缺乏自然语言交互。理想情况下，一个AI系统应既能应对缺失事实，又易于沟通。本文提出了一种无需训练的集成LLMs和KGs的系统，确保以最少的人工努力实现跨不同知识图谱的适应性。该方案可归类为一种特定形式的检索增强生成（RAG）与知识图谱的结合，因此被称为知识图谱扩展的检索增强生成（KG-RAG）。它包含一个问题分解模块以增强多跳信息检索和答案可解释性。通过使用上下文学习（ICL）和思维链（CoT）提示，它生成显式推理链并单独处理以提升真实性。在MetaQA基准上的实验表明，多跳问题的准确性有所提高，但与LLM与知识图谱基线相比，单跳性能略有权衡。这些发现表明，KG-RAG通过连接非结构化语言理解与结构化知识检索，有望提升问答的透明度。
Keyword:
Knowledge graphs
Large language models
Retrieval-augmented generation
Question answering
Artificial Intelligence
Mechanical Engineering
Manufacturing
Machines
Tools
Processes
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.7K
被引数:
1.7W
机构
引用论文
DeepSeek-Based Multi-dimensional Augmentation of Short and Highly Domain-Specific Textual Inquires for Aquaculture Question-Answering Framework基于Deepseek的短文本和高领域特定性水产行业咨询的多维增强方法，用于水产行业问答框架
PREAI
分享收藏KRAGEN: a knowledge graph-enhanced RAG framework for biomedical problem solving using large language modelsKRAGEN：一种基于知识图谱增强的RAG框架，用于生物医学问题解决的大型语言模型
OAAI
OAAI分享收藏Luo P.W., Liu J.W., Xie X., et al. DeepSeek vs ChatGPT: a comparison study of their performance in answering prostate cancer radiotherapy questions in multiple languages. American journal of clinical and experimental urology. 2025; 13(2):176–185.罗P.W., 刘J.W., 谢X., 等. DeepSeek vs ChatGPT: 对其在多语言环境下回答前列腺癌放射治疗问题的性能比较研究. 美国临床与实验泌尿学杂志. 2025; 13(2):176–185..png)
IF0
PREAI
分享收藏 没有更多内容
没有更多内容