摘要 大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理过程中缺乏最新的知识和经验幻觉，这可能导致不正确的推理过程，降低他们的表现和可信度。知识图谱(Knowledge graphs, KGs)以结构化的形式捕获了大量的事实，为推理提供了可靠的知识来源。然而，现有的基于kg的LLM推理方法只将kg作为事实知识库，忽略了其结构信息对推理的重要性。在本文中，我们提出了一

本文是LLM系列文章，针对《REASONING ON GRAPHS: FAITHFUL AND INTERPRETABLE LARGE LANGUAGE MODEL REASONING》的翻译。 图上推理:忠实的和可解释的大语言模型推理 摘要1 引言2 相关工作3 前言4 方法5 实验6 结论 摘要 大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理