基于大语言模型和知识图谱的忠实可解释推理
利用大语言模型与知识图谱,提供优化的规划-检索-推理框架,实现忠实与可解释的推理。预训练权重和自动下载的数据集简化了关系路径生成和答案推理过程,并支持多种大语言模型的插拔式推理,使推理结果更具解释性和灵活性。
Reasoning on Graphs(简称 RoG)项目提供了一种利用大语言模型(LLMs)和知识图谱(KGs)相结合的方法来实现真实且可解释的推理。该项目实现了一个规划-检索-推理框架,通过结合 KGs 来生成关系路径作为推理计划。这些计划用于从 KGs 中检索有效的推理路径,再由 LLMs 执行真实的推理并生成可解释的结果。
如果你对知识图谱与大语言模型相结合的推理感兴趣,可以查看我们最新的工作:图约束推理(Graph-constrained Reasoning)。
在开始使用之前,请确保安装项目所需的依赖。可以通过以下命令安装:
pip install -r requirements.txt
RoG 项目的代码会自动从 Hugging Face 平台下载所需的模型权 重。你也可以手动下载这些预训练模型 RoG 模型权重。
项目会自动从 Hugging Face 平台下载所需的数据集:
此外,我们使用 Freebase 提取子图,相关代码可以在 此处 找到。
推理过程分为以下步骤:
运行以下命令以生成关系路径:
./scripts/planning.sh
生成的规则路径将保存在 results/gen_rule_path/{dataset}/{model_name}/{split}
运行以下命令以进行推理并生成答案:
./scripts/rog-reasoning.sh
答案将保存在 results/KGQA/{dataset}/{model_name}/{split}
该功能允许使用不同的大语言模型进行推理。请注意,若要使用 ChatGPT,需要在 .env
文件中设置你的 OpenAI 密钥。
可运行以下命令生成可解释的推理示例:
python scripts/interpretable_example.py
可以从 RoG_train_data.tar.tz 下载处理过的数据集,并将其解压到 datasets/
文件夹下。
使用 2 个 A100-80GB 的 GPU 来训练 RoG 模型。运行以下命令来开始训练过程:
./scripts/train.sh
项目的实验结果展示于下方,包括使用不同方法的效果对比、知识缺乏的处理以及幻觉问题的应对等。(具体图片可参考原项目的图片资源)
如果您觉得该项目对您有所帮助,请在相关工作中引用以下论文:
@inproceedings{luo2024rog, title={Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning}, author={Luo, Linhao and Li, Yuan-Fang and Haffari, Gholamreza and Pan, Shirui}, booktitle={International Conference on Learning Representations}, year={2024} }
该项目为研究人员和开发者提供了一个强大的工具,用于探索和实现知识图谱与大语言模型结合的推理过程,旨在为构建更真实、更具解释性的人机交互应用奠定基础。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。