LogosKG：硬件优化的可扩展和可解释的知识图检索

知识图 (KG) 越来越多地与 大语言模型 (LLM) 集成，以提供结构化、可验证的推理。这种集成的核心操作是多跳检索，但现有系统很难平衡效率、可扩展性和可解释性。我们引入了 LogosKG，这是一种新颖的硬件对齐框架，通过构建符号知识图谱公式并在分解的主题、客体和关系表示上执行作为硬件高效操作的遍历，可以在大型知识图谱上进行可扩展和可解释的 k-hop 检索。为了扩展到十亿边图，LogosKG 集成了度感知分区、跨图路由和按需缓存。实验表明，在不损失检索保真度的情况下，与 CPU 和 GPU 基准相比，效率得到了显着提升。凭借 KG 检索中经过验证的性能，下游两轮 KG-LLM 交互展示了 LogosKG 如何能够对 KG 拓扑（例如跳分布和连接性）进行大规模、循证分析，从而塑造结构化生物医学知识和 LLM 诊断推理之间的一致性，从而为下一代 KG-LLM 集成打开大门。源代码可在 https://github.com/LARK-NLP-Lab/LogosKG 上公开获取，在线演示可在 https://lark-nlp-lab-logoskg.hf.space/ 上获取。