Think and Retrieval: A Hypothesis Knowledge Graph Enhanced Medical Large Language Models

本文是LLM系列文章，针对《Think and Retrieval: A Hypothesis Knowledge Graph Enhanced Medical Large Language Models》的翻译。

思考与检索：一个假设知识图增强的医学大语言模型

摘要

我们探讨了大型语言模型（LLM）的兴起如何显著影响自然语言处理领域的任务性能。我们重点研究了两种策略，即检索增强生成（RAG）和微调（FT），并提出了假设知识图增强（HyKGE）框架，利用知识图来增强医学LLM。通过集成LLM和知识图谱，HyKGE在解决准确性和可解释性挑战方面表现出卓越的性能，在医学领域具有潜在的应用前景。我们使用真实世界数据集进行的评估突出了HyKGE在提供准确知识和精确信心方面的优势，特别是在复杂和困难的场景中。该代码将在发布前可用。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

在本文中，我们提出了HyKGE，一个假设知识图增强的医学大语言模型。通过集成LLM和知识图谱，HyKGE在解决准确性和可解释性挑战方面表现出卓越的性能，在医学领域具有潜在的应用前景。在两个医疗QA任务上进行的综合实验（使用两个LLM-turbo）验证了我们方法的有效性。