En este artículo, proponemos FiSKE, un novedoso método para integrar bases de conocimiento externas, como grafos de conocimiento, para abordar el problema de la escasez de conocimiento en los modelos de lenguaje a gran escala (LLM). Mientras que los métodos existentes se centran en la pregunta completa y recuperan gradualmente el conocimiento relevante del grafo, FiSKE descompone la pregunta en pistas detalladas y resuelve las ambigüedades entre las pistas y el grafo mediante una estrategia de mapeo adaptativo. Equilibra la precisión y la eficiencia aprovechando rutas perfectamente mapeadas hacia los LLM mediante un mecanismo de terminación basado en pistas y recurriendo a la inferencia de cadena de pensamiento cuando es necesario. Los resultados experimentales en múltiples conjuntos de datos muestran que FiSKE supera a los métodos de vanguardia existentes en rendimiento de recuperación de conocimiento y reduce significativamente el número de llamadas a LLM.
