Feb, 2024

结构引导提示：通过探索文本的图结构，在多步推理中指导大型语言模型

PDF
TL;DR我们的论文引入了结构引导提示，这是一个创新的三阶段任务无关提示框架，旨在提高大型语言模型在零样本环境下的多步推理能力。通过将非结构化文本转换为图形，指导模型在图形中导航，并使用任务特定的策略来制定响应，我们的实验表明这一框架显著增强了大型语言模型的推理能力，使其在更广泛的自然语言场景中表现出色。
large language modelsmulti-step reasoninggraphsstructure guided promptzero-shot setting
发现论文，激发创造
  • 语言模型是否能够用自然语言解决图问题？

    NLGraph is a benchmark for large language models to solve graph-based problems in natural language, where two instruction-based approaches - Build-a-Graph Prompting and Algorithmic Prompting - are proposed, improving the LLMs' performance by 3.07% to 16.85% across multiple tasks and settings.

    May, 2023

  • 我们能否将软提示应用于图学习任务的 LLM？

    通过 GraphPrompter 框架，将 Large Language Models（LLMs）与图形模态对齐，实现了 LLMs 在图相关任务中的重要性和效果。

    Feb, 2024

  • 推理的拓扑结构：揭秘思维中的链、树和图

    通过创新的提示技术，自然语言处理领域近年来取得了显著进展，其中，结合结构的提示工程被证明是一种有前景的范例，大大增强了大型语言模型在逻辑、数学推理、规划和创造性写作等任务中的能力。本研究分析了提示执行流程，提出了结构增强型大型语言模型推理方案的分类，并比较了不同设计选择在性能和成本上的差异，同时探讨了提示与知识库等大型语言模型生态系统其他部分之间的理论基础和关系，为未来的提示工程技术的发展提供了帮助。

    Jan, 2024

  • 聊天如图：为大型语言模型进行图编码

    通过对图结构数据进行编码，探究大型语言模型中图推理任务的性能提升，展示了编码器选择对图推理任务的影响，以及正确选择编码器能够提升性能的洞见。

    Oct, 2023

  • 超越文本：深入研究大型语言模型对理解图数据的能力

    在该研究中，我们通过对大型语言模型在图预测任务的性能进行实验，评估它们是否能有效处理图数据并利用拓扑结构提高性能；通过与专门的图神经网络进行比较，我们对大型语言模型在图分析中的优势和局限性提供了见解，并为将它们应用于图分析提供了进一步的探索方向。

    Oct, 2023

  • 思维导图：大型语言模型中的知识图谱引发思维火花

    借助知识图谱，本研究探索了如何通过知识图谱向 LLMs 提供新知识和推理路径，并通过生成心智地图来解释 LLMs 的推理过程，实验证明 MindMap 方法在问答任务中显著提升了性能。

    Aug, 2023

  • GraphInstruct: 强化大型语言模型的图理解和推理能力

    通过提出一个名为 GraphInstruct 的基准测试以及 GraphLM 和 GraphLM + 模型的构建和实验，本文旨在评估和增强大型语言模型在图形理解和推理方面的能力。

    Mar, 2024

  • 大型语言模型中多跳问答的图引导推理

    通过引入图引导的 CoT 提示方法，以问题 / 理由图为基础的图引导推理方法在多步骤推理中表现出优越性能。

    Nov, 2023

  • 图上的大型语言模型：综合调查

    通过对大型语言模型在图形上的应用的详细技术和潜在场景进行系统回顾，我们总结了大型语言模型在纯图、文本丰富图和文本配对图中的优缺点，并讨论了其在真实世界应用中的方法以及开源代码和基准数据集。最后，我们提出了这一快速发展领域的潜在未来研究方向。

    Dec, 2023

  • 增强大型语言模型的推理能力：一种基于图形的验证方法

    我们引入了一种基于图的方法来增强大型语言模型的推理能力，通过分析和验证由 LLMs 生成的解决方案，我们的实验结果表明，我们的基于图的验证方法不仅显著提高了 LLMs 的推理能力，而且在提高这些模型的推理性能方面优于现有的验证程序。

    Aug, 2023