Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasonin-编程知识

摘要

大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理过程中缺乏最新的知识和经验幻觉，这可能导致不正确的推理过程，降低他们的表现和可信度。知识图谱(Knowledge graphs, KGs)以结构化的形式捕获了大量的事实，为推理提供了可靠的知识来源。然而，现有的基于kg的LLM推理方法只将kg作为事实知识库，忽略了其结构信息对推理的重要性。在本文中，我们提出了一种称为图上推理(RoG)的新方法，该方法将llm与KGs协同使用，以实现忠实和可解释的推理。具体来说，我们提出了一个计划检索-推理框架，其中RoG首先生成以KGs为基础的关系路径作为忠实计划。然后使用这些计划从KGs中检索有效的推理路径，以便llm进行忠实的推理。此外，RoG不仅可以从KGs中提取知识，通过训练提高llm的推理能力，还可以在推理过程中与任意llm无缝集成。在两个基准KGQA数据集上进行的大量实验表明，RoG在KG推理任务上达到了最先进的性能，并生成了忠实且可解释的推理结果1。

1.介绍

大型语言模型(llm)在许多NLP任务中表现出色(Brown等人，2020;Bang et al, 2023)。特别引人注目的是他们通过推理处理复杂任务的能力(Wei et al, 2022;Huang & Chang, 2023)。为了进一步释放法学硕士的推理能力，提出了计划-解决范式(Wang et al .， 2023c)，在该范式中，LLMs被提示生成一个计划并执行每个推理步骤。通过这种方式，llm将复杂的推理任务分解为一系列子任务并逐步求解(Khot et al .， 2022)。

尽管LLMs取得了成功，但他们仍然受到知识缺乏的限制，在推理过程中容易产生幻觉，这可能导致推理过程中的错误(Hong et al, 2023;Wang et al .， 2023b)。例如，如图1所示，llm没有最新的知识，并且产生了一个错误的推理步骤:“有一个女儿”。这些问题在很大程度上削弱了LLMs在高风险场景中的表现和可信度，例如法律判决和医疗诊断。

为了解决这些问题，知识图(KGs)被用于提高llm的推理能力(Pan等人，2024;Luo et al .， 2023a)。KGs以结构化的形式捕获丰富的事实知识，为推理提供了可靠的知识来源。知识图谱问答(knowledge graph question answer, KGQA)是一种典型的推理任务，其目的是基于知识图谱获得答案(Sun et al .， 2019)。以前联合使用KGs和llm进行KGQA推理的工作大致可以分为两类:1)语义解析方法(Lan & Jiang, 2020;Ye et al, 2022)，使用llm将问题转换为逻辑查询，并在KGs上执行以获得答案;2)检索增强方法(Li et al .， 2023;Jiang et al .， 2023)，该方法从KGs中检索三元组作为知识上下文，并使用llm获得最终答案。

尽管语义解析方法可以通过利用KGs上的推理来生成更准确和可解释的结果，但由于语法和语义的限制，生成的逻辑查询通常是不可执行的，并且无法产生答案(Yu et al, 2022a)。检索增强方法更加灵活，并利用llm的推理能力。然而，他们只将kg视为事实知识基础，而忽略了其结构信息对推理的重要性(Jiang et al .， 2022)。例如，如图1所示，一个关系路径，它是一个关系序列，“child of→has son”可以用来获得“谁是Justin Bieber的兄弟?”这个问题的答案。因此，使llm能够直接在KGs上进行推理，以实现忠实和可解释的推理是至关重要的。

在本文中，我们提出了一种称为图上推理(RoG)的新方法，该方法将llm与KGs协同进行忠实和可解释的推理。为了减轻幻觉和缺乏知识的问题，我们提出了一个规划-检索-推理框架，其中RoG首先通过规划模块生成以KGs为基础的关系路径作为忠实计划。然后使用这些计划从KGs中检索有效的推理路径，通过retrieval reasoning模块进行忠实的推理。这样，我们不仅可以从KG中检索到最新的知识，还可以考虑KG结构对推理和解释的指导。此外，在推理过程中，RoG的规划模块可以与不同的llm进行即插即用，以提高其性能。基于该框架，对RoG进行了两项优化:1)规划优化，将知识从KGs中提取到llm中，生成忠实关系路径作为规划;2)检索-推理优化，我们使llm能够基于检索到的路径进行忠实的推理并生成可解释的结果。我们在两个基准KGQA数据集上进行了广泛的实验，结果表明RoG在KG推理任务上达到了最先进的性能，并产生了忠实且可解释的推理结果。

2 RELATED WORK

LLM推理提示。许多研究提出利用llm的推理能力，通过提示来处理复杂任务(Wei et al .， 2022;Wang et al .， 2022;Yao等，2023;Besta et al, 2023)。plan -and-solve (Wang et al .， 2023c)促使llm生成一个计划，并在此基础上进行推理。DecomP (He et al, 2021)提示llm将推理任务分解为一系列子任务，并逐步求解。然而，幻觉和缺乏知识的问题影响了llm推理的准确性。ReACT (Yao et al .， 2022)将llm视为agent，与环境交互以获取最新的知识进行推理。为了探索忠实推理，FAME (Hong et al .， 2023)引入了蒙特卡洛规划来生成忠实推理步骤。RR (He et al .， 2022)和KD-CoT Wang et al . (2023b)进一步从KGs中检索相关知识，为llm生成忠实的推理计划。

知识图谱问答(KGQA)。传统的基于嵌入的方法表示嵌入空间中的实体和关系，并设计特殊的模型体系结构(例如键值记忆网络、顺序模型和图神经网络)来推理答案。为了将llm集成到KGQA中，检索增强方法旨在从KGs中检索相对事实以提高推理性能(Li et al .， 2023;Karpukhin et al, 2020)。最近，UniKGQA (Jiang et al .， 2022)将图检索和推理过程统一为具有llm的单个模型，实现了STOA性能。语义解析方法通过llm将问题转换为结构化查询(例如SPARQL)，查询引擎可以执行该查询以在KGs上推理答案(Sun et al .， 2020;兰江，2020)。然而，这些方法严重依赖于生成查询的质量。如果查询不可执行，则不会生成任何答案。DECAF (Yu et al .， 2022a)结合语义解析和llm推理共同生成答案，在KGQA任务上也达到了显著的性能。

3 PRELIMINARY

4 APPROACH

在本节中，我们将介绍我们的方法:图上推理(RoG)，它包含两个组成部分:1)一个规划模块，该模块生成以KGs为基础的关系路径作为忠实计划;2)检索推理模块，首先根据计划从KGs中检索有效的推理路径，然后根据检索到的推理路径进行忠实推理，生成具有可解释解释的答案。RoG的总体框架如图2所示。

4.1 REASONING ON GRAPHS: PLANNING-RETRIEVAL-REASONING

4.1图上推理:规划-检索-推理

最近，人们探索了许多技术，通过计划来提高llm的推理能力，首先促使llm生成推理计划，然后在此基础上进行推理(Wang et al .， 2023c)。然而，llm以幻觉问题而闻名，这容易产生错误的计划并导致错误的答案(Ji et al, 2023)。为了解决这个问题，我们提出了一个新的计划-检索-推理框架，该框架将推理计划以KGs为基础，然后为LLM推理检索可靠的推理路径。

关系路径捕获实体之间的语义关系，已被用于KGs上的许多推理任务(Wang等人，2021;Xu et al, 2022)。此外，与动态更新的实体相比，KGs中的关系更加稳定(Wang et al .， 2023a)。通过使用关系路径，我们总是可以从KGs中检索到最新的知识进行推理。因此，关系路径可以作为推理KGQA任务答案的忠实计划。

通过将关系路径视为计划，我们可以确保计划以KGs为基础，从而使llm能够对图进行忠实且可解释的推理。简而言之，我们将我们的RoG描述为一个优化问题，其目的是通过生成关系路径z作为计划，最大限度地从知识图G中推理出问题q的答案的概率:

4.2 OPTIMIZATION FRAMEWORK

4.2优化框架

尽管llm具有将关系路径生成为计划的优势，但llm对KGs中包含的关系一无所知，因此llm不能直接生成以KGs为基础的关系路径作为忠实计划。此外，lllm可能无法正确理解推理路径，并基于它们进行推理。为了解决这些问题，我们设计了两个指令调优任务:1)规划优化，将KGs中的知识提取到llm中以生成忠实关系路径作为计划;2)检索-推理优化，使llm能够基于检索到的推理路径进行推理。

方程1中的目标函数可以通过最大化证据下界(ELBO)来优化(Jordan et al .， 1999)，其表示为