合理的理由下的正确性：基于大型语言模型对可验证的常识知识图谱问题回答的研究
内容提要
该文综述知识图谱增强大语言模型的方法，涵盖RoG、QA-GNN、JointLK等模型，用于问答与推理。研究发现，大语言模型能有效处理混乱、噪音和线性化的知识图谱知识，表现优于设计良好的自然语言提示，为结构化知识理解研究提供新见解。
延伸解读
反直觉发现：LLM 更擅长处理混乱知识图谱
文章通过复杂问答任务对比不同知识图谱注入方法，发现大型语言模型能有效处理混乱、噪音和线性化的知识图谱知识，且表现优于设计良好的自然语言文本提示。这一结果挑战了“结构化知识需清晰呈现”的直觉，提示未来研究可重新审视知识图谱的表示方式，不必过度追求整洁的线性化。
知识图谱增强 LLM 的多种技术路径
文章综述了 RoG、QA-GNN、JointLK 等模型，分别代表图推理、联合推理和动态修剪等方向。这些方法通过将知识图谱与语言模型结合，提升问答与推理的忠实性和可解释性。读者可借此了解该领域从早期融合到近期图推理的演进脉络，以及不同模型在常识和生物医学等领域的适用性。
检索增强的局限与异构知识源挑战
文章指出，基于检索的 LLM 多从非结构化文本检索，忽视底层结构，且缺乏对异构知识源（如知识库和文本）进行有效定位的基准数据集。为此，有研究构建了包含两跳多源问题和符号化查询生成挑战的数据集，并引入多检索工具方法。这提示读者，当前检索增强仍面临结构化与非结构化知识融合的难题。
Q&A
大型语言模型处理知识图谱知识时，是否真的需要精心设计的自然语言提示？
不需要。研究发现，大型语言模型能够有效处理混乱、噪音和线性化的知识图谱知识，并且表现优于使用设计良好的自然语言文本提示的方法。
RoG模型是如何结合大型语言模型和知识图谱进行推理的？
RoG（图推理）通过将大型语言模型与知识图谱相结合，实现了忠实和可解释的推理，并在KG推理任务上取得了最先进的性能。
QA-GNN模型在哪些领域的问题回答测试中表现优于现有模型？
QA-GNN通过关联系统知识图和语言模型，在常识和生物医学领域的QA测试中取得了优于现有模型的表现。
JointLK模型如何解决现有KG增强模型在常识问题回答上的局限性？
JointLK通过联合LM和GNN的推理以及动态KG修剪机制，使用密集双向注意模块进行联合推理，并利用注意权重递归修剪不相关的KG节点，从而在CommonsenseQA和OpenBookQA数据集上改进了现有模型。
大型语言模型在仅依赖内部知识时存在什么主要问题？
大型语言模型在仅依赖内部知识时容易出现幻觉，尤其是在回答需要不太常见的信息的问题时。
有哪些方法可以将知识图谱知识转化为文本以增强大型语言模型？
基于回答敏感的KG-to-Text方法，可以将KG知识转化为对KGQA最有信息量的文本化陈述，并基于此提出KG-to-Text增强的LLMs框架来解决KGQA任务。
