大型語言模型（LLMs）在自然語言處理任務中取得了顯著的成功。然而，LLMs在處理需要超出其預訓練內容的專業(yè)知識的查詢時，往往難以提供準確的回答。為了克服這一限制，研究者提出了將外部知識源，如知識圖譜（KGs），與LLMs集成的方法。KGs提供了結構化、明確且可解釋的知識表示，是克服LLMs內在限制的協(xié)同方法。盡管LLMs與KGs的融合在近期研究中引起了廣泛關注，但現有的方法往往僅依賴于LLM對問題的分析，忽視了KGs中豐富的認知潛力。

一個LLM與KG集成的例子。觀察到的實體以白色顯示，而非觀察到的實體以灰色顯示。代理選擇用于回答問題的實體以黃色高亮顯示。

ODA（Observation-Driven Agent）框架是為了解決涉及KGs的任務而設計的。它通過全局觀察來增強KG的推理能力，并采用觀察、行動和反思的循環(huán)范式。ODA的關鍵模塊包括：

觀察模塊：設計用于檢查全局KG知識并引導與KG環(huán)境的自主推理過程。通過遞歸進度避免三元組數量呈指數級增長的問題。

行動模塊：基于觀察子圖和ODA記憶，戰(zhàn)略性地選擇最適合執(zhí)行的行動，確保準確回答問題。

反思模塊：利用觀察子圖和從行動步驟獲得的知識，提供反饋并更新記憶，為下一次迭代提供連續(xù)的推理。

ODA（Observation-Driven Agent）框架

ODA的工作流程示例。在這個例子中，ODA從實體Johann Wolfgang von Goethe開始觀察。在左側的第一次迭代中，選擇了Johann Wolfgang von Goethe的鄰居探索行動，并將反思得到的三元組（Johann Wolfgang von Goethe, unmarried Partner, Lili Sch?neman）存儲在記憶中。隨后，對Lili Sch?neman的觀察引導ODA選擇鄰居探索行動，并導致三元組（Lili Sch?neman, place of birth, Offenbach am Main）被保留在記憶中，如右側所示。一旦積累了足夠的知識，ODA觸發(fā)回答行動，正確識別出Offenbach am Main 作為答案。

通過在四個KBQA數據集上的廣泛實驗，ODA在處理復雜問題時表現出色，尤其是在QALD10-en和T-REx數據集上分別實現了12.87%和8.9%的準確率提升。此外，ODA在不同基礎模型上（GPT3.5、GPT4）的表現也證明了其在不同LLMs上的通用性。ODA通過觀察模塊和反思模塊的有效整合，顯著提高了行動選擇和反思的準確性，從而增強了ODA的推理能力。

不同方法的性能比較，粗體分數代表所有基于GPT的零樣本方法中的最佳性能。微調的SOTA包括：1: SPARQL-QA，2: RACo，3: Re2G，4: RAG。?

消融比較：有無觀察模塊、以及不同反思方法

ODA: Observation-Driven Agent for integrating LLMs and Knowledge Graphs

??https://arxiv.org/pdf/2404.07677.pdf ??

??https://github.com/lanjiuqing64/KGdata??

本文轉載自??PaperAgent??，作者：PaperAgent