Graphusion：在 NLP 教育中利用大型语言模型进行科学知识图融合和构建
内容提要
该研究综述了知识图谱与大型语言模型结合的方法，探讨了其在人工智能应用中的潜力，提出了多种框架，展示了在知识提取、问答任务和教育应用中的有效性，强调了二者协同作用对提升性能的重要性，并指出未来研究方向。
延伸解读
知识图谱与大型语言模型的协同增强
文章提出三种框架：增强了的知识图谱、增强了的大型语言模型和协同增强。这些框架能够互相协作，实现双向推理，从而提高自然语言处理和人工智能的表现。协同增强框架CogMG结合知识图谱，解决了大型语言模型在问答场景中的知识覆盖不完整和知识更新不匹配问题，通过监督微调在代理框架中显著减少了幻觉并提高了答案的事实准确性。
KG-LLM框架的技术创新与性能
KG-LLM框架将知识图中的三元组视为文本序列进行建模，利用实体和关系描述作为提示，并基于生成的响应进行预测。实验证明，该方法在三元组分类和关系预测任务中达到了最先进的性能水平。值得注意的是，微调相对较小的模型（如LLaMA-7B、ChatGLM-6B）优于最新的ChatGPT和GPT-4，这表明在特定任务上，小模型经过微调可能比大模型更具优势。
教育应用中的知识图谱构建与评估
文章提出了针对电子信息专业的自动化知识提取、可视化知识图谱构建和图形融合框架，旨在增强学习效率，提高学生对专业概念和课程之间关系的理解。研究还引入了TutorQA基准，评估大型语言模型在概念图恢复和问题回答中的性能，证明其零-shot概念图恢复具有竞争力，且CGLLM生成的答案具有更精细的概念。
知识图谱与语言模型结合的研究趋势与挑战
综述分析了结合知识图谱和大型语言模型的研究趋势、创新技术和共同挑战。研究探讨了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的研究空白。此外，比较发现将相关事实纳入问题上下文比将知识图谱融入语言模型更能提升问答性能，这为未来研究提供了方向。
Q&A
KG-LLM 框架的主要功能是什么？
KG-LLM 框架通过将知识图中的三元组视为文本序列进行建模，利用实体和关系描述作为提示来进行预测。
如何提高大型语言模型在教育中的应用效果？
通过结合知识图谱和大型语言模型，自动化知识提取和可视化知识图谱构建可以提高学习效率和学生对专业概念的理解。
该研究提出了哪些框架来结合知识图谱和大型语言模型？
研究提出了增强了的知识图谱、增强了的大型语言模型和协同增强三种框架。
KG-LLM 在三元组分类任务中的表现如何？
KG-LLM 在三元组分类和关系预测任务中达到了最先进的性能水平，且微调小模型优于 ChatGPT 和 GPT-4。
如何解决大型语言模型在问答场景中的知识覆盖问题？
使用协作增强框架 CogMG，可以解决大型语言模型在问答场景中的不完整知识覆盖和知识更新不匹配的问题。
未来的研究方向有哪些？
未来的研究方向包括探索大型语言模型与知识图谱的协同关系，以及在 KG 问答和本体生成等领域的研究空白。
