Исследователи представили фреймворк RSF-GLLM, решающий проблему семантического разрыва при работе с графами знаний. Метод разделяет дифференцируемое рассуждение по графу и генерацию ответа языковой моделью, что позволяет эффективно находить промежуточные узлы, даже если они не имеют прямого лексического сходства с исходным запросом. Это повышает точность ответов в сложных многошаговых задачах.
Традиционные системы типа «поиск-затем-чтение» часто теряют эффективность, так как процесс извлечения данных из графа не является сквозным и дифференцируемым. В результате модель не может «обучиться» поиску связей, если в промежуточных узлах отсутствуют ключевые слова из запроса. RSF-GLLM использует механизм Recurrent Soft-Flow, который позволяет графовому компоненту обучаться независимо, сохраняя при этом логическую связность с генеративным модулем.
Такая архитектура позволяет системе лучше интерпретировать сложные запросы, требующие прохода по нескольким узлам графа для формирования итогового ответа. Разделение процессов рассуждения и генерации текста снижает нагрузку на LLM и минимизирует галлюцинации, характерные для систем, полагающихся исключительно на параметрическую память модели без опоры на структурированные данные.
Ключевые факты
- RSF-GLLM устраняет разрыв между лексическим поиском и семантическим рассуждением в графах знаний.
- Метод использует архитектуру Recurrent Soft-Flow для обеспечения дифференцируемости графовых операций.
- Система разделяет этапы логического вывода на графе и генерации финального текста, повышая точность ответов.
- Подход решает проблему отсутствия лексического пересечения между запросом и промежуточными узлами графа.