Combining Knowledge Graphs and Large Language Models

近年来，自然语言处理（NLP）在各种人工智能（AI）应用中扮演着重要角色，如聊天机器人、文本生成和语言翻译。大型语言模型（LLMs）的出现极大地提高了这些应用的性能，在语言理解和生成方面显示出惊人的结果。然而，它们仍然存在一些缺点，如幻觉和缺乏特定领域的知识，这些缺点影响了它们在实际任务中的表现。这些问题可以通过加入知识图谱（KGs）来有效地缓解，KGs以结构化格式组织信息，以多功能和可解释的方式捕捉实体之间的关系。同样，KGs的构建和验证也面临着挑战，LLMs可以帮助解决这些问题。LLMs和KGs之间的互补关系导致了将这些技术相结合以实现可信结果的趋势。本文收集了28篇论文，概述了基于KG的LLMs、基于LLMs的KGs和LLM-KG混合方法。我们系统地分析和比较了这些方法，提供了全面的概述，突出了关键趋势、创新技术和共同挑战。这个综合将有利于新进入该领域的研究人员以及那些希望深入了解如何有效地结合KGs和LLMs以增强AI应用能力的人们。

如何通过将知识图谱与大型语言模型相结合，提高人工智能应用的能力和可靠性？

将知识图谱与大型语言模型相结合，可以缓解大型语言模型存在的幻觉和领域特定知识缺乏等问题，从而提高人工智能应用的能力和可靠性。

论文收集了28篇论文，系统分析和比较了这些论文的方法，总结出了关键趋势、创新技术和共同挑战。该综述有助于新手研究者了解如何将知识图谱和大型语言模型有效结合以提高人工智能应用的能力。

最近的相关研究包括：《Knowledge Graph Embedding for Link Prediction: A Comparative Analysis》、《A Survey of Knowledge Graph Embedding Techniques》、《Large-Scale Knowledge Graph-Based Synthetic Question Generation》等。