🟡 知识生成
生成的知识方法(Generated Knowledge Approach)1要求 LLM 在生成响应之前生成与问题相关的可能有用的信息。该方法由两个中间步骤组成,即知识生成和知识集成。
![](/assets/images/knowledge_generation-ad0b3ce05cb7d9da5a615285f0bfa5ab.png)
知识生成(Liu et al.)
知识生成
在知识生成步骤中,要求 LLM 生成有关问题的一组事实。大语言模型将以 few-shot 方式进行提示,如下所示。使用相同提示生成 M 个不同的完成。
![](/assets/images/gen_k_p1-13cb7c5d4bcd11edceda40a150b4f2cd.png)
生成的知识示例(Liu et al.)
知识集成
接下来,我们生成“知识增强”问题,并用它们提示 LLM 获得最终答案。最好的理解方法是通过一个例子来说明。
假设我们正在尝试回答问题“大多数袋鼠有 <mask> 肢体”。假设在知识生成步骤中,我们生成了 2 个知识(M=2):
知识1:“袋鼠是生活在澳大利亚的有袋动物。”
知识2:“袋鼠是有 5 条肢体的有袋动物。”
现在,我们将每个知识与问题连接起来,生成知识增强的问题:
知识增强问题1:“大多数袋鼠有 <mask> 肢体。袋鼠是生活在澳大利亚的有袋动物。”
知识增强问题2:“大多数袋鼠有 <mask> 肢体。袋鼠是有 5 条肢体的有袋动物。”
然后,我们用这些知识增强的问题提示 LLM,并获得最终答案的提案:
答案1:“4”
答案2:“5”
我们选择概率最高的答案作为最终答案。最高概率可能是答案令牌的 softmax 概率,或答案令牌的对数概率。
结论
这种方法显示了对各种常识数据集的改进。
备注
The knowledge corresponding to the selected answer is called the selected knowledge. 与所选答案对应的知识称为“精选知识”。
- Liu, J., Liu, A., Lu, X., Welleck, S., West, P., Bras, R. L., Choi, Y., & Hajishirzi, H. (2021). Generated Knowledge Prompting for Commonsense Reasoning. ↩