近年来，大模型在处理复杂任务时展现出强大的能力，但也面临知识滞后、决策不透明等问题。对此，中国科学技术大学熊辉教授团队提出通过知识图谱弥补大模型短板，设计出自我纠正自适应规划范式“Plan-on-Graph（PoG）”，并在NeurIPS 2024大会上发表相关论文。

现有范式局限与创新突破

传统知识图谱增强大模型存在探索广度固定、无自纠正机制、大模型“失忆”等问题，导致复杂问题推理效果受限。PoG通过自适应探索、反思和记忆机制解决这些瓶颈：

• 自适应探索：动态调整探索范围，适应问题复杂度。
• 反思机制：判断路径是否需纠正并定位关键步骤。
• 记忆机制：存储条件和历史信息，避免推理遗忘。

实验结果显示，PoG在性能上提升11.4%，效率上实现4倍加速，资源消耗降低26.1%。

多领域智能化应用前景

PoG在智能问答、推荐系统等领域潜力巨大。例如，在推荐系统中，通过结合用户行为和知识图谱信息，实现更精准的个性化推荐。在文本生成、医疗诊断和法律咨询等应用中，PoG可提供高质量的内容和专业建议。

未来，团队计划提升PoG在复杂问题处理中的置信度和效率，改进非标准化查询能力，进一步扩大其应用场景。PoG的诞生为知识图谱与大模型的融合创新树立了标杆，助力多领域智能化升级。

相关文章：

国产数据库核心人才培养成为数字经济发展的重要战略 江西设未婚男女数据库 发展国产数据库：技术研发和生态建设并进 云数据库与自动驾驶：数据库的未来 数据治理、数据管理与数据资产管理：释放数据价值的关键路径 2023东湖算力与大数据创新大会在武汉成功召开 2023中国人工智能数字创新大会在浙江温州举办 江苏2023年婚姻登记大数据出炉