计算机科学与探索

作者：冯拓宇, 李伟平, 郭庆浪, 王刚亮, 张雨松, 乔子剑

单位：1. 北京大学 软件与微电子学院，北京 1000912. 中国电子科学研究院，北京 100041

关键词：大语言模型,知识图谱问答,语义解析,信息检索

知识图谱问答（knowledge graph question answering，KGQA）是一种通过处理用户提出的自然语言问题，从知识图谱中获取相关答案的技术。早期的知识图谱问答技术受到知识图谱规模、计算能力以及自然语言处理能力的限制，准确率较低。近年来，随着人工智能技术的进步，特别是大语言模型（large language model，LLM）的发展，知识图谱问答技术的性能得到显著提升。大语言模型如GPT-3等已经被广泛应用于增强知识图谱问答的性能。为了更好地研究学习增强知识图谱问答的技术，对现有的各种大语言模型增强的知识图谱问答方法进行了归纳分析。总结了大语言模型和知识图谱问答的相关知识，即大语言模型的技术原理、训练方法，以及知识图谱、问答和知识图谱问答的基本概念。从语义解析和信息检索两个维度，综述了大语言模型增强知识图谱问答的现有方法，分析了方法所解决的问题及其局限性。收集整理了大语言模型增强知识图谱问答的相关资源和评测方法，并对现有方法的性能表现进行了总结。最后针对现有方法的局限性，分析并提出了未来的重点研究方向。

来源：2024年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第11期