Voir la source de Requête enrichie par graphes de connaissances

== Définition ==
[[Peaufinage]] des résultats d'un [[grand modèle de langues]] en enrichissant les requêtes avec des connaissances factuelles générées à partir de règles extraites de [[graphe de connaissances|graphes de connaissances]]. Ceci permet de générer des résultats plus précis et contextuellement plus pertinents. 

== Complément ==
Entrée en cours de travail. 

Les règles sont extraites d'un graphe de connaissances à l'aide d'un algorithme classique de [[algorithme de parcours en largeur|parcours en largeur]]. 

Cette technique se rapproche de la [[génération augmentée d'information applicative]] ([[Génération augmentée d'information applicative|GAIA]]).

== Français ==
'''requête enrichie par graphes de connaissances'''

'''requête de résolution par chaine(s) de connaissances''' 

'''requête par chaine(s) de connaissances'''

== Anglais ==
''' Chain-of-Knowledge prompting'''

''' Chain-of-Knowledge framework prompting '''

''' CoK promptig'''

'''Chain-of-Knowledge'''

'''CoK'''

== Source ==
[https://arxiv.org/pdf/2407.00653 Source : Zhang et al. 2024]

[https://cobusgreyling.medium.com/chain-of-knowledge-prompting-0285ac879ede  Source :  Chain-Of-Knowledge Prompting - Medium]

[https://huggingface.co/papers/2407.00653? Source: Chain-of-Knowledge: Integrating Knowledge Reasoning into Large Language Models by Learning from Knowledge Graphs - Hugging Face - 30 juin 2024]

<!-- The CHAIN-OF-KNOWLEDGE framework has two main components: dataset construction and model learning. For dataset construction, the authors first mine compositional rules from knowledge graphs. These rules represent patterns of how different facts can be combined to infer new knowledge. They then select knowledge triples from the graph that match these rules. Finally, they use advanced language models to transform the structured knowledge into natural language questions and reasoning steps.
  
 For model learning, they initially tried simply fine-tuning LLMs on this data. However, this led to "rule overfitting" where models would apply rules even without supporting facts. To address this, they introduced a trial-and-error mechanism. This simulates how humans explore their internal knowledge when reasoning, by having the model try different rules and backtrack if it lacks key facts.
--> 
[[Catégorie:Intelligence artificielle]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]