KGCaRe：使用自动知识图构建和 LLM 上下文检索进行可解释的复杂条件问答

使用 大语言模型 (LLM) 和检索增强生成 (RAG) 回答复杂的条件问题仍然是一个挑战，特别是在通用 LLM 和 RAG 往往表现不佳的特定领域上下文中。我们假设使用从文档和知识图 (KG) 中提取的非结构化和结构化知识来增强 RAG，可以提高此类任务的推理和答案准确性。为了测试这一点，我们提出了 KGCaRe，这是一种混合方法，它将神经检索与 LLM 生成的知识图谱的符号推理相结合。 KGCaRe 使用多提示提取策略从文档构建知识图谱并将其存储在图形数据库中。同时，文档被嵌入到向量存储中以实现神经检索。 KGCaRe 在 LLM 的指导下执行创新的迭代图遍历，以提取相关三元组、修剪不相关信息，并在初始遍历无法提供令人满意的上下文来生成答案时使用额外的线索实体再次遍历图。然后，以路径形式从 KG 中提取的相关三元组以及语义检索的文本段落将被输入到自定义 KGCaRe 提示中，以生成复杂条件问题的答案和解释。我们在两个复杂的条件 QA 数据集上评估 KGCaRe。我们在这些数据集上的结果表明，KGCaRe 在多个 LLM（例如 Mistral、Mixtral、GPT-3.5 和 GPT-4o）中始终优于现有基线，包括 Vanilla LLM、Code Prompt、Text Prompt、Think-on-Graph、Vanilla RAG 和 HybridContextQA。我们公开发布了为实施拟议的 KGCaRe 方法而开发的软件管道。