Human Cognition Inspired RAG with Knowledge Graph for Complex Problem Solving
作者: Yao Cheng, Yibo Zhao, Jiapeng Zhu, Yao Liu, Xing Sun, Xiang Li
发布时间: 2025-03-12
来源: arxiv
研究方向: 知识图谱问答与大型语言模型
主要内容
该研究针对大型语言模型（LLM）在知识图谱问答（KGQA）任务中存在的知识整合和复杂推理问题，提出了一种名为CogGRAG的认知启发式图基RAG框架，旨在提升LLM在复杂问题解决中的性能。
主要贡献
1. 提出了一种认知启发式图基RAG框架CogGRAG，通过分解、检索和推理与自我验证三个阶段，提高了LLM在KGQA任务中的准确性和可靠性。
2. 通过实验证明了CogGRAG在多个基准数据集上优于现有方法，证明了其有效性和优越性。
3. 通过消融实验验证了分解、全局检索和自我验证模块的重要性。
4. 通过在特定领域数据集上的实验，证明了CogGRAG在特定领域中的有效性。
研究方法
1. 问题分解：将复杂问题分解为更简单的子问题，构建思维导图。
2. 知识检索：利用知识图谱从外部知识源中检索相关信息。
3. 推理与自我验证：在推理过程中进行自我验证，以提高结果的准确性和可靠性。
实验结果
CogGRAG在多个基准数据集上取得了优于现有方法的性能，证明了其有效性和优越性。
未来工作
优化推理效率，提高CogGRAG在现实应用中的实用性；探索将多种数据结构作为外部知识，以进一步提高LLM的推理能力；研究提高检索和推理效率的方法。