reasoning-on-graphs

项目介绍：Reasoning on Graphs (RoG)

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。

项目最新动态

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）。

环境依赖

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

预训练模型权重

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。

数据集

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

推理过程分为以下步骤：

步骤 1: 规划（生成关系路径）

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}

步骤 2: 推理（使用 RoG 生成答案）

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}

即插即用推理

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。

生成可解释的推理示例

可运行以下命令生成可解释的推理示例：

python scripts/interpretable_example.py

模型训练

训练数据集

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。

训练过程

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

实验结果

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）

引用

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}
}