KGQuest: Template-Driven QA Generation from Knowledge Graphs with LLM-Based Refinement

KGQuest: Генерация QA из графов знаний с LLM-улучшением В тексте обсуждается KGQuest, новый метод для масштабируемой и детерминированной генерации вопросов и ответов (QA) из графов знаний (KG), предназначенный для улучшения образовательных платформ и обучения больших языковых моделей (LLM). В этом гибридном подходе используется многоэтапный конвейер, который сначала кластеризует триплеты KG по их связям, а затем создает многократно используемые шаблоны вопросов на естественном языке, чтобы обеспечить фактическую достоверность и воспроизводимость. Для решения проблем грамматического и лингвистического качества, присущих жестким шаблонам, вводится этап уточнения на основе LLM, который применяется только на уровне шаблона для повышения эффективности. Эксперименты с различными наборами данных KG и маленькими и большими LLM показывают, что этот метод обеспечивает высокую точность и значительно превосходит прямую генерацию LLM по эффективности и предотвращению галлюцинаций. отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM