本文是LLM系列文章，针对《Fine-tuning Large Enterprise Language Models via Ontological Reasoning》的翻译。
大型语言模型（LLM）利用特定任务的训练数据，将微调作为一种适应不同目标的技术。任务特异性应该与领域定向齐头并进，即LLM的专业化，以准确地处理给定感兴趣领域的任务。然而，模型通常是根据公开可用的数据进行微调的，或者最多是根据数据库中的真实数据进行微调，而忽略了业务级别的定义和领域经验。另一方面，企业知识图谱（EKG）能够通过本体论推理来捕获和增强这些领域知识。为了将LLM的灵活性与EKG的领域定向相结合，我们提出了一种新的神经符号体系结构，该体系结构利用本体论推理的力量来构建用于LLM微调的任务和领域特定语料库。
根据计算语言学协会欧洲分会最近发表的一项工作，预先训练的语言模型还不能进行演绎推理：它们仍然不能概括逻辑规则，即使提供了规则，LLM也倾向于忘记以前推断的事实。虽然Transformer架构和推理方法之间还没有进行广泛的比较，但我们的工作表明，通过产生微调语料库作为本体论推理的副产品，可以明显提高领域特定NLP任务的LLM性能。我们利用我们在演绎推理方面的经验，为在企业知识图谱上进行推理的神经符号平台迈出了第一步。