计算机研究与发展

作者：付钧渤,赵国帅,钱学明,

关键词：大语言模型, 语言模型即知识库, 提示学习, 文本风格转换, 上下文学习,

大语言模型（largelanguagemodels，LLMs）在知识存储方面不断增强的能力展示了其作为知识库的潜在效用.然而，任何给定的提示只能提供大语言模型所涵盖知识的下限估计.在语言模型即知识库（languagemodelsasknowledgebases，LMs-as-KBs）的场景中，先前的提示学习方法忽略了查询风格对模型表现的影响.揭示了大语言模型确实具有与查询风格相关的可学习偏好，并且利用大语言模型的这种特性引入了查询风格自适应转换（adaptivequerystyletransfer，ARES）方法，通过适应大语言模型的偏好来增强其知识查询的表现.ARES方法从构造查询候选集开始，通过改写实现多种表达风格的纳入.随后，ARES训练一个评估器来学习并识别大语言模型对查询风格的偏好，评估查询候选集并选择潜在最优查询.在多个数据集上进行的实验表明了该方法在提高大语言模型即知识库服务上查询准确率的有效性，增量对比原始模型与3个基线方法分别实现了平均2.26个百分点，1.68个百分点，1.19个百分点，1.17个百分点的提升，这表明ARES可以与其他方法有效地结合使用，从而实现多角度的查询表现增强.

来源：2025年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第12期