机构名称：
¥ 1.0
虽然大型语言模型（LLM）在自然语言处理中表现出了显着的功能，但它们在涉及知识图（kgs）的复杂，多步推理任务方面挣扎。现有的方法可以使LLM和KGS降低LLM的推理能力或由于紧张的态度而遭受非义务计算成本的能力。为了解决这些局限性，我们提出了一个名为Effiqa的新型协作框架，可以通过迭代范式在绩效和效率之间取得平衡。ef- fiqa包括三个阶段：全球计划，有效的KG探索和自我反思。具体来说，Effiqa利用LLMS通过全球计划探索潜在的推理途径的常识能力。然后，它将语义修剪卸载到一个小型插件模型中，以进行有效的kg探索。fi-Nely，探索结果被馈送到LLMS进行自我反思，以进一步改善全球计划和有效的KG探索。对多个KBQA基准测试的经验证据表明了Effiqa的有效性，在推理准确性和计算成本之间取得了平衡。我们希望提出的新框架将通过集成LLM和KGS来实现高效，知识密集的查询，从而促进对基于知识的问题答案的未来研究。
effiqa：具有战略性多...
主要关键词
相关文件推荐
