Towards combining multiple knowledge graphs for large language models reasoning

Hong Yang

doi:10.1016/j.knosys.2026.116307

Towards combining multiple knowledge graphs for large language models reasoning

2026-06-01

1

PRE

AI

Shirui Pan (Shirui Pan)

DOI：10.1016/j.knosys.2026.116307

原文链接

原文求助

摘要

En 中文

大型语言模型（LLMs）在推理任务中取得了显著成功。然而，由于缺乏最新的领域知识，LLMs常产生幻觉和不正确的推理结果。知识图谱构建实体关系的结构化网络，为LLMs提供可靠背景知识以减少错误。然而，现有的基于知识图谱的LLMs推理方法假设仅有一个知识图谱可用，这常导致关键事实缺失和信息偏差。本文提出将多个知识图谱结合用于LLMs推理（简称MKG4LLM），以提高LLMs推理的准确性和可靠性。首先，MKG4LLM为每个知识图谱设定可学习权重，然后基于多个加权知识图谱最大化LLMs推理的似然函数。为学习知识图谱的权重参数及推理用微调LLMs参数，采用变分推断算法近似优化这些权重参数。通过从知识图谱中检索加权推理路径，MKG4LLM提取LLMs推理的有用知识。实验结果表明，MKG4LLM在流行的KGQA数据集上优于现有方法。

Keyword:

Large language models

Multiple knowledge graphs

LLM reasoning

Towards combining multiple knowledge graphs for large language models reasoning

摘要

期刊

机构

引用论文