研究背景
大规模语言模型（LLMs）在许多自然语言处理（NLP）任务中取得了显著进展，特别是在零样本/少样本学习（In-Context Learning, ICL）方面。ICL不需要更新模型参数，只需利用几个标注示例就可以生成预测。然而，现有的ICL和链式思维（Chain-of-Thought, CoT）方法在复杂推理任务上仍存在生成的推理链常常伴随错误的问题，导致不真实和不可靠的推理结果。
研究目标
本研究提出了一种新的链式知识（Chain-of-Knowledge, CoK）提示方法，通过引导LLMs生成明确的知识证据来提高推理能力。具体来说，CoK提示由证据三元组（CoK-ET）和解释提示（CoK-EH）组成，旨在生成明确的知识证据和解释，以支持逐步思考过程。同时，引入了F2验证方法来评估推理链的真实性和可靠性。
相关工作
在上下文学习（ICL）方面，已有研究探索了多种影响ICL效果的因素，如输入输出映射和模板格式。链式思维（CoT）提示方法被提出用于增强推理，通过生成中间推理步骤来指导LLMs生成可靠的响应。为了进一步提高推理能力，研究人员提出了多种基于CoT的方法，包括自一致性、思维程序和验证方法等。
方法论
数据处理
在示例构建过程中，首先随机选择多个带标签的示例，并使用零样本CoT方法生成文本推理链。然后，从预构建的知识库中检索相关的知识三元组，并邀请专家对其进行人工注释，以形成结构化的证据三元组。
解决方案
提出的CoK提示方法包括两部分：证据三元组（CoK-ET）和解释提示（CoK-EH）。CoK-ET表示多个三元组的列表，每个三元组代表从LLM中提取的知识证据，支持逐步思考过程。CoK-EH表示推理链的解释，与传统的CoT相似。此外，设计了F2验证策略，用于评估推理链的真实性和可靠性，并通过重新思考过程来修正错误的证据。
举个例子：
用户输入：下面这句话有道理吗？“德里克·怀特反手击球“。
Cok思考链路：
先生成证据三元组：
证据1:（德里克·怀特，职业，篮球运动员）
证据2: （反手击球，常用于，曲棍球或网球）
再生成解释提示：
反手击球通常用于曲棍球或网球，而不是篮球。
根据证据三元组和解释提示，生成初步答案：
A: “No.”
F2验证：
事实性验证（Factuality Verification）：
验证生成的证据三元组是否与真实知识库（KB）中的知识匹配。
例如，验证（德里克·怀特，职业，篮球运动员）、（反手击球，常用于，曲棍球或网球）是否在知识库中存在。
忠实性验证（Faithfulness Verification）：验证推理过程和最终答案的解释是否一致。
使用预构建的句子编码器（例如SimCSE）计算解释提示和推理过程的相似性分数。
重新思考：
如果初步答案的可靠性分数低于阈值（θ），则通过重新生成和修正错误的证据三元组来提高答案的可靠性。
例如，错误的证据三元组会被标记并替换为正确的知识三元组，再次生成新的解释提示和答案。
最终，模型输出经过F2验证和重新思考过程后，生成的最终答案为：
A: “No.”
实验
实验设计
实验选择了五种不同类型的任务来评估方法的性能，包括常识与事实推理、算术推理和符号推理。具体任务包括CommonsenseQA（CSQA）、StrategyQA、OpenBookQA、AI2推理挑战（ARC-c）、体育理解和BoolQ等。
对比模型包括zero-shot、few-shot、Chain of thought、Zero-shot-CoT、Mannual-shot-Cot、Auto-CoT等多个。
实验结论
实验结果表明，CoK提示方法在多个任务上显著优于标准的ICL和CoT提示方法，特别是在常识和事实推理、符号推理和算术推理任务上。通过F2验证和重新思考过程，进一步提高了推理链的可靠性和准确性。这表明，明确的证据三元组和解释提示能够显著提升LLMs的推理能力。