Resumen: El razonamiento en escenarios interactivos de resolución de problemas requiere modelos para construir hilos de razonamiento que reflejen la comprensión del usuario y se alineen con el conocimiento de dominio estructurado. Sin embargo, los modelos de razonamiento actuales a menudo carecen de jerarquías semánticas explícitas, alineación de conocimiento del dominio de usuarios y mecanismos de principios para podar hilos de razonamiento de efectividad. Estas limitaciones dan como resultado una larga salida genérica que no guía a los usuarios a través de pasos de razonamiento orientados a objetivos. Para abordar esto, proponemos un marco de revaluación (RET-EVAL) de dos fases inspirado en prototipo, inspirándose en estrategias de razonamiento similares a los humanos que enfatizan la reutilización del conocimiento estructurado. En la primera fase, las estructuras de conocimiento semánticamente relevantes se extraen de un gráfico de conocimiento de dominio escaso utilizando una red neuronal gráfica y enriquecidas con el conocimiento intrínseco del modelo de lenguaje grande para resolver las discrepancias de conocimiento. En la segunda fase, estos hilos se evalúan y se podan utilizando una estrategia guiada por recompensas destinada a mantener la coherencia semántica para generar hilos de razonamiento efectivos. Los experimentos y evaluaciones de expertos muestran que RET-EVAL mejora la comprensión del usuario y supera a los modelos de razonamiento de última generación.
Publicado Originalme en export.arxiv.org El 18 de agosto de 2025.
Ver Fuente Original
