线索引导的路径探索：一个高效的知识库问答框架，低计算资源消耗
内容提要
本文综述知识图谱与大型语言模型结合的研究，涵盖KSL多跳检索、KGPLMs与KGLLM、KG-to-Text增强KGQA、KG-LLM三元组建模、KnowledGPT、三种协作框架、AutoKG多智能体评估、ChatGPT生成CQL查询、结构感知推理及图神经传递等方法，旨在提升LLM事实推理与知识问答能力。
延伸解读
多跳检索与可解释性
KSL将检索过程转化为多跳决策序列，使LLM能逐步从外部知识库搜索必要知识。这种方法不仅提升了搜索能力，还让推理过程更可解释。实验表明，在三个数据集上，KSL相比基准模型有显著提升，为知识库问答提供了新思路。
知识图谱增强LLM的多种路径
文章综述了多种结合知识图谱与LLM的方法：KGPLMs利用知识图谱增强预训练模型；KGLLM旨在提升LLM的事实推理；KG-to-Text将知识图谱转化为文本陈述以增强KGQA；KG-LLM将三元组视为文本序列进行建模。这些方法从不同角度弥补LLM在长尾知识上的不足。
小模型微调与协同框架
KG-LLM研究发现，微调较小的模型（如LLaMA-7B、ChatGLM-6B）在三元组分类和关系预测等任务上优于ChatGPT和GPT-4。此外，文章提出三种协作框架：增强的知识图谱、增强的LLM和协同增强，它们能双向推理，提升自然语言处理和人工智能表现。
评估与竞赛表现
AutoKG利用多智能体进行知识图谱构建和推理，评估显示GPT-4在多数任务中表现优异，甚至超过微调模型。在CCKS2023无人系统知识图推理问答竞赛中，基于ChatGPT的CQL生成框架获得第二名，F1-score为0.92676，展示了LLM在知识图谱问答中的潜力。
Q&A
知识解决器（KSL）是什么？它如何提升大型语言模型的搜索能力？
知识解决器（KSL）是一种范例，通过利用大型语言模型的强大概括能力，教它们从外部知识库中搜索必要知识，并将检索过程转化为多跳决策序列，从而增强LLM的搜索能力，提高推理过程的可解释性。在三个数据集上的实验证实，该方法相对基准模型有显著提升。
KG-LLM框架是如何对知识图谱三元组进行建模的？
KG-LLM框架将知识图谱中的三元组视为文本序列，利用三元组的实体和关系描述作为提示，并利用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等任务中达到最先进性能，且微调较小的模型（如LLaMA-7B、ChatGLM-6B）优于ChatGPT和GPT-4。
KnowledGPT如何结合大型语言模型和知识库来回答问题？
KnowledGPT通过将大型语言模型与知识库相结合，能够更好地回答涉及世界知识的更广泛问题，利用广为人知的知识库和个性化知识库中的知识。
知识图谱和大型语言模型有哪三种协作框架？
三种框架分别为：增强了的知识图谱、增强了的大型语言模型和协同增强。这三个框架能够互相协作，实现双向推理，提高自然语言处理和人工智能的表现。
基于ChatGPT的CQL生成框架包含哪些部分？在CCKS2023竞赛中表现如何？
该框架包括六个部分：辅助模型（预测CQL语法相关信息）、专有名词匹配器（提取专有名词）、演示示例选择器（检索相似示例）、提示构造器（设计输入模板）、ChatGPT模型（生成CQL）和集成模型（从多样化输出中获取最终答案）。在CCKS 2023无人系统知识图推理问答竞赛中获得第二名，F1-score为0.92676。
AutoKG方法是什么？它有什么作用？
AutoKG是一种基于多智能体的方法，可利用大型语言模型进行知识图谱构建和推理，为该领域的未来发展提供有趣的机遇。
