轨迹：基于大型语言模型的知识图谱联合推理与优化.pdfVIP

轨迹：基于大型语言模型的知识图谱联合推理与优化

11112

XinkuiZhao,HaodeLi,YifanZhang,GuanjieCheng,YueshenXu

1SchoolofSoftwareTechnology,ZhejiangUniversity

2SchoolofComputerScienceandTechnology,XidianUniversity

Abstract示，可以系统地访问和解释(Edgeetal.2024;Liangetal.

2025;Pengetal.2024;ProckoandOchoa2024)。将LLMs

大型语言模型（LLMs）在推理和决策能力方面取得了显

与KGs集成已经显示出提高事实准确性、实现多跳推

著进步。然而，它们对静态参数化内存的固有依赖从根

本上限制了其在知识密集型场景中的适应性、事实准确理并增强透明度的潜力，从而促进更值得信赖和可控的

性及可解释性。知识图谱（KGs）作为显式关系知识的结人工智能系统的开发。

本构化存储库，为增强LLMs提供了外部可解释记忆的前然而，现有的KG增强的LLM推理方法通常将知

译景。不过，现有的大多数结合LLMs和KGs的方法都将识库视为一个固定、只读的资源(Luoetal.2023;Xuetal.

推理与知识更新视为独立的过程，导致新信息利用不足，2024)，分离了知识更新和逻辑推理的过程。如图1(a)所

中并阻碍了实时更新。在这项工作中，我们提出了轨迹：一

示，基于图形检索增强生成（RAG）的方法将检索与插

1个新型统一框架，用于T思维、R推理、A及I增量L学

v习，该框架将联合推理与动态KG优化相结合的大规模入分开：首先从知识图中检索相关实体并提供给LLM

4以生成答案。如果LLM拥有足够的知识，即使图不完

7语言模型。TRAIL使LLM代理能够在推理过程中迭代整，它也能生成准确的答案。知识图的更新仅在答案生

4探索、更新和细化知识图谱，并采用信心驱动机制生成、

4验证并修剪新事实。这种即插即用架构有助于无缝集成成后进行，并且通常涉及添加少量与响应相关的新的实

0.各种LLMs，支持持续适应而无需重新训练。在多个基准体或关系。这种分离阻止了模型在推理过程中动态精炼

8测试中的广泛实验表明，TRAIL比现有的KG增强型和或积累知识，导致新推断的信息经常被遗漏在知识图之

0

5检索增强型LLM基线高出3%到13%。更重要的是，这外。因此，系统难以实时适应新证据或填补知识空白。

2些结果代表了开发具备连续学习能力和可靠透明推理的这一缺陷在个人代理助手等应用中尤为明显，在这些应

:自适应记忆增强语言模型的重要一步。用中，知识图必须作为个人信息的最新、持续更新的存

v

i

x储库。

r