KG2Code: Trasformare i Grafi di Conoscenza in Codice per il Question Answering con LLM
Un nuovo approccio chiamato KG2Code converte i grafi di conoscenza in codice eseguibile, preservando la semantica strutturale e allineandosi con il pre-addestramento sensibile al codice dei grandi modelli linguistici. Il metodo affronta le limitazioni delle tecniche KGQA esistenti, tra cui la perdita di informazioni strutturali, il ragionamento infedele e la flessibilità limitata. KG2Code-QA, un framework basato su KG2Code, formula il question answering su grafi di conoscenza come un compito di generazione di codice. La ricerca è pubblicata su arXiv con identificativo 2607.22652.
Fatti principali
- 1. KG2Code trasforma i grafi di conoscenza in una rappresentazione basata su codice
- 2. Preserva la semantica strutturale dei grafi di conoscenza
- 3. Si allinea con il pre-addestramento sensibile al codice dei moderni LLM
- 4. KG2Code-QA formula il KGQA come compito di generazione di codice
- 5. Affronta le limitazioni dei metodi basati su RAG, agenti e SPARQL
- 6. Pubblicato su arXiv con ID 2607.22652
- 7. Mira a migliorare le prestazioni degli LLM su compiti ad alta intensità di conoscenza
- 8. Proposto per superare la perdita di informazioni strutturali, il ragionamento infedele e la flessibilità limitata
Entità
Istituzioni
- arXiv