지식 그래프를 이용한 자기주도 지식 보강: 그래프 이론 기반 LLM 보강

지식 그래프를 이용한 자기주도 지식 보강

지식 그래프를 이용한 자기주도 지식 보강 기술인 MetaKGEnrich를 소개합니다. 이 기술은 대규모 언어 모델(LLM) 응용 프로그램에 자기주도 지식 보강 기능을 제공합니다. MetaKGEnrich는 세 가지 주요 단계를 거칩니다: 지식 그래프 생성, 구멍을 찾기 위한 그래프 메트릭 탐색, 웹 증거를 검색 및 처리.

MetaKGEnrich의 작동 방식

MetaKGEnrich는 다음 단계를 거칩니다:

• 지식 그래프를 생성합니다.
• 구멍을 찾기 위한 그래프 메트릭을 탐색합니다.
• 대규모 언어 모델(GPT-4o)로 타겟팅된 질문을 생성합니다.
• 웹 증거를 검색하고 Neo4j로 처리합니다.
• 대규모 언어 모델(GPT-4)로 질문을 재 답변합니다.

실험 결과

MetaKGEnrich는 Google Research Natural Questions, MS MARCO, Hot-potQA 세 가지 데이터 세트에서 30 개의 질문에 대해 테스트되었습니다. 결과는 다음과 같습니다:

• HotpotQA 질문 80%에서 답변 품질이 개선되었습니다.
• Google Research Natural Questions 질문 87%에서 답변 품질이 개선되었습니다.
• MS MARCO 질문 83%에서 답변 품질이 개선되었습니다.

이 실험 결과는 지식 그래프를 이용한 자기주도 지식 보강이 AI를 인간과 같은 메타인지 학습 방식으로 발전시키는 데 도움이 될 수 있음을 보여줍니다.