Research Trends for the Interplay between Large Language Models and Knowledge Graphs

本调查研究了大型语言模型（LLMs）和知识图谱（KGs）之间的协同关系，这对于推进人工智能在理解、推理和语言处理方面的能力至关重要。它旨在通过探索KG问答、本体生成、KG验证以及通过LLMs提高KG准确性和一致性等领域来解决当前研究中存在的差距。本文进一步探讨了LLMs在为KG生成描述性文本和自然语言查询方面的作用。通过结构化分析，包括对LLM-KG互动的分类、方法学的研究和合作使用及潜在偏见的调查，本研究旨在提供LLMs和KGs的联合潜力的新见解。它强调了它们互动的重要性，以改善人工智能应用，并概述了未来的研究方向。

本论文旨在研究大语言模型（LLMs）和知识图谱（KGs）之间的协同关系，以提高人工智能在理解、推理和语言处理方面的能力。研究重点包括KG问答、本体生成、KG验证、通过LLMs提高KG准确性和一致性等方面存在的问题。

本文提出了通过LLMs和KGs的协同作用来提高AI应用的方法。主要包括通过LLMs生成描述性文本和自然语言查询，以及通过分类LLMs-KG交互、研究方法论和探究协同使用和潜在偏见等方面来分析LLMs和KGs的协同潜力。

本文的亮点包括对LLMs和KGs的协同作用进行了系统分析和分类，提出了多个解决方案，如通过LLMs生成自然语言查询、通过KGs验证LLMs生成的文本的准确性和一致性等。实验使用了多个数据集，并提供了开源代码。未来的研究方向包括更深入地探究LLMs和KGs的协同作用，以及进一步解决存在的问题。

最近的相关研究包括《Large Scale QA-SRL Parsing》、《Knowledge Graph Embedding: A Survey of Approaches and Applications》等。