基于生物医学知识图谱的大型语言模型提示生成框架研究与应用

简介：
本研究提出了一种利用生物医学知识图谱构建高效提示的大型语言模型框架，旨在提升模型在医疗健康领域的性能和实用性。 本段落介绍了一种结合生物医学知识图谱（SPOKE）与大型语言模型（LLMs）的检索增强生成框架（KG-RAG）。通过利用SPOKE中的多源生物医学数据及其语义关联，该框架为LLMs提供了可靠的上下文信息支持。实验结果显示，在问答、药物再定位查询以及判断题和选择题等多种任务中，使用了KG-RAG的模型性能得到了显著提升。 相较于未采用KG-RAG的基础LLMs，这种新的框架不仅提高了开源预训练模型（如Llama-2）的表现，也增强了GPT系列模型在处理复杂多步推理问题上的能力。此外，该方法还优化了对输入token的有效利用，并保持灵活性和广泛适用性。 本段落面向的研究人员和技术从业者群体包括自然语言处理、机器学习以及医学研究领域的专业人士。使用KG-RAG可以解决知识密集型任务，提升大型语言模型在特定医学领域问答中的质量，并辅助进行合理的药物重新定位推荐，为临床试验提供理论依据。 尽管目前的实验结果表明了KG-RAG的强大能力，但作者也指出未来可能进一步扩展到更多类型的生物医学节点以扩大系统覆盖范围和提高通用性。此外，在药物重用部分虽然已取得了一些积极的结果，但仍需更多的后续研究进行全面验证。