Requête enrichie par graphes de connaissances - Historique des versions

Arianne le 3 décembre 2025 à 17:30

2025-12-03T17:30:50Z

← Version précédente		Version du 3 décembre 2025 à 13:30
Ligne 1 :		Ligne 1 :
	== Définition ==		== 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.		[[Peaufinage]] des résultats d'un [[grand modèle de langues]] en enrichissant les [[Requête générative\|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.

	== Compléments ==		== Compléments ==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:55:14Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:55
Ligne 26 :		Ligne 26 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' prompt enriquecidas con grafos de conocimiento '''''		''''' prompt enriquecidas con grafos de conocimiento '''''

Jean-Sébastien Zavalone le 23 juillet 2025 à 13:56

2025-07-23T13:56:31Z

← Version précédente		Version du 23 juillet 2025 à 09:56
Ligne 24 :		Ligne 24 :

	'''CoK'''		'''CoK'''

			==Español==

			''''' prompt enriquecidas con grafos de conocimiento '''''

			''Ajuste fino de los resultados de un modelo extenso de lenguaje enriqueciendo las consultas con conocimientos factuales generados a partir de reglas extraídas de gráfos de conocimientos.''

			''Esto genera resultados más precisos y contextualmente relevantes.''

	== Source ==		== Source ==
Ligne 36 :		Ligne 44 :
	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.		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.
	-->		-->
			{{Modèle:101}}
	[[Catégorie:Intelligence artificielle]]		[[Catégorie:Intelligence artificielle]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Patrickdrouin le 17 juin 2025 à 18:25

2025-06-17T18:25:00Z

← Version précédente		Version du 17 juin 2025 à 14:25
Ligne 2 :		Ligne 2 :
	[[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.		[[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~~ ==		== Compléments ==
	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]].		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]].

Patrickdrouin le 17 juin 2025 à 18:24

2025-06-17T18:24:47Z

← Version précédente		Version du 17 juin 2025 à 14:24
Ligne 3 :		Ligne 3 :

	== Complément ==		== 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]].		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]].

Arianne le 1 juin 2025 à 15:41

2025-06-01T15:41:40Z

← Version précédente		Version du 1 juin 2025 à 11:41
Ligne 32 :		Ligne 32 :
	[https://cobusgreyling.medium.com/chain-of-knowledge-prompting-0285ac879ede Source : Chain-Of-Knowledge Prompting - Medium]		[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]		[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.		<!-- 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.

Pitpitt le 17 janvier 2025 à 15:18

2025-01-17T15:18:27Z

← Version précédente		Version du 17 janvier 2025 à 11:18
Ligne 40 :		Ligne 40 :
	[[Catégorie:Intelligence artificielle]]		[[Catégorie:Intelligence artificielle]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
			[[Catégorie:101]]

Pitpitt le 27 septembre 2024 à 14:20

2024-09-27T14:20:21Z

← Version précédente		Version du 27 septembre 2024 à 10:20
Ligne 38 :		Ligne 38 :
	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.		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:~~Publication~~]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Claude COULOMBE le 24 septembre 2024 à 21:08

2024-09-24T21:08:11Z

← Version précédente		Version du 24 septembre 2024 à 17:08
Ligne 38 :		Ligne 38 :
	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.		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:Publication]]		[[Catégorie:Publication]]

Claude COULOMBE le 24 septembre 2024 à 21:07

2024-09-24T21:07:31Z

← Version précédente		Version du 24 septembre 2024 à 17:07
Ligne 31 :		Ligne 31 :

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