LLMs在医疗创新生成能力方面取得了显著进步，但在真实临床环境的应用却因可能违背医学事实和内在偏见而充满挑战。 本研究提出了一项开创性工作——KG-Rank，它巧妙融合了医疗知识图谱（KG）与排序及重排序技术，致力于提升医疗领域内的自由文本问答精准度。 面对问题，KG-Rank会先从医疗KG中检索相关事实信息，再创造性地运用排序算法调整这些信息的排列顺序，从而得出更为精确的答案。 值得一提的是，KG-Rank作为首个将排序模型整合进KG并专用于医疗QA、生成长篇答案的研究成果，在对四个精选医疗QA数据集的评测中，其ROUGE-L得分提高了超过18%。 不仅如此，当KG-Rank应用于开放领域时，ROUGE-L得分亦提升了14%，充分彰显了该方法的有效性和广泛应用潜力。
原文链接:https://arxiv.org/abs/2403.05881