arXivDaily arXiv每日学术速递 周一至周五更新
arXiv周末暂无论文更新，休息一下吧，周末愉快~~
arXiv 2406.07080cs.CL
收藏

DARA：用于知识图谱问答的分解-对齐-推理自主语言智能体

DARA: Decomposition-Alignment-Reasoning Autonomous Language Agent for Question Answering over Knowledge Graphs

Technical University of Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；Queen’s University（女王大学）；Ingenuity Labs Research Institute（Ingenuity 实验室研究院）

Haishuo Fang, Xiaodan Zhu, Iryna Gurevych

备注：
Accepted by ACL2024 findings
阅读 PDF
arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出 DARA 框架，通过高层任务分解与低层任务落地将问题解析为形式化查询，并用少量推理轨迹微调 LLM，在零样本 KGQA 基准上超过 GPT-4 上下文学习方案并媲美枚举排序方法。

摘要：

知识图谱问答（KGQA）是自主语言智能体在各类现实应用中良好运行的关键。为提升由大语言模型（LLM）驱动的语言智能体在 KGQA 中的神经符号推理能力，本文提出 Decomposition-Alignment-Reasoning Agent（DARA）框架。DARA 通过双重机制将问题有效解析为形式化查询：高层迭代任务分解与低层任务落地。重要的是，DARA 可利用少量高质量推理轨迹进行高效训练。实验结果表明，在 LLM（如 Llama-2-7B、Mistral）上微调的 DARA，在不同基准的零样本评估中优于基于 GPT-4 的上下文学习智能体以及其他微调智能体，使此类模型更易用于现实应用。本文还表明，DARA 取得了与 KGQA 中最先进的基于枚举与排序的方法相当的性能。

英文摘要：

Answering Questions over Knowledge Graphs (KGQA) is key to well-functioning autonomous language agents in various real-life applications. To improve the neural-symbolic reasoning capabilities of language agents powered by Large Language Models (LLMs) in KGQA, we propose the DecompositionAlignment-Reasoning Agent (DARA) framework. DARA effectively parses questions into formal queries through a dual mechanism: high-level iterative task decomposition and low-level task grounding. Importantly, DARA can be efficiently trained with a small number of high-quality reasoning trajectories. Our experimental results demonstrate that DARA fine-tuned on LLMs (e.g. Llama-2-7B, Mistral) outperforms both in-context learning-based agents with GPT-4 and alternative fine-tuned agents, across different benchmarks in zero-shot evaluation, making such models more accessible for real-life applications. We also show that DARA attains performance comparable to state-of-the-art enumerating-and-ranking-based methods for KGQA.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

↑