Large Language Models and Knowledge Graphs: Opportunities and Challenges

本文属于LLM系列文章，基于《Large Language Models and Knowledge Graphs: Opportunities and Challenges》的翻译。

大语言模型和知识图谱：机会与挑战

• 摘要
• 1 引论
• 2 社区内的核心议题
• 3 机遇与未来愿景
• 4 重点研究方向及其面临的挑战
• 5 未来发展的潜力与趋势

摘要

大型语言模型（LLM）已全面覆盖了知识表示与认知领域。这一重要转折点标志着从显式知识表示向重新聚焦显式知识与参数知识的混合表示方式的转变。在本文中，我们将深入探讨社区内关于LLM的参数知识部分与知识图谱的显性知识之间的共同争论点，并进一步探讨重新聚焦带来的机遇与愿景，以及相关的研究主题和挑战。

1 引言

2 社区内的共同辩论点

3 机会和愿景

4 关键研究主题和相关挑战

5 前景

总的来说，大型语言模型（LLM）的最新进展预示着知识图谱研究的重大进展。尽管关于如何结合其优势的关键问题尚未解决，但这些问题为未来研究提供了令人兴奋的机会。社区正迅速转向新的研究重点，出现了KBC-LM研讨会和LM-KBC挑战等新兴论坛，资源转向知识提取、整合和使用的混合方法。我们提出以下建议：

• 1.不要随着范式的转变而抛弃KG：对于一系列可靠性或安全关键型应用程序，结构化知识仍然是不可或缺的，我们已经概述了KG和LLM可以相互促进的许多方式。KGs将继续存在，而不仅仅是抛弃它们。
• 2.谋杀你的（管道）宠儿：LLM大大推进了KG和本体构建管道中的许多任务，甚至使一些任务过时。即使是最成熟的管道组件，在检查时也要格外小心，并不断将其与基于LLM的现有技术进行比较。
• 3.保持好奇心，保持批判性：LLM可以说是过去几年人工智能研究中最令人印象深刻的产物。尽管如此，公众和研究文献中都存在大量夸大的说法和期望，人们应该保持健康的批判性反思。特别是，目前还看不到解决所谓幻觉问题的根本办法。
• 4.过去已经结束，让我们开始新的旅程：LLM引发的进步以前所未有的方式铲除了这个领域，并使我们能够以显著的捷径进入这个领域。

就知识计算相关领域而言，目前恰逢重启的黄金期。尽管当前的转变方向呈现开放多元的特点，但随着研究人员正在深入探索混合方法的潜力与挑战，我们有理由相信，在知识表示与处理方面将出现创新性进展，对知识计算、自然语言处理和人工智能等领域的研究与应用都将产生广泛影响。