Knowledge Graphs: Opportunities and Challenges论文小白综述笔记|KG-知识图谱|LLM-大模型

论文信息

标题：Knowledge Graphs: Opportunities and Challenges

作者：Ciyuan Peng，Feng Xia, Mehdi Naseriparsa and Francesco Osborne

期刊：Artificial Intelligence Review

等级：Q1

背景

随着人工智能和大数据的发展，组织和管理大数据变得重要。

本文主要讲述了知识图谱的主要应用，以及各项技术和面临的挑战。

研究内容

研究方向

知识图谱嵌入（Knowledge Graph Embedding）

将知识图谱映射到低维空间。

常用的方法：

• 基于张量分解
• 基于平移
• 基于神级网络

知识图谱获取（Knowledge Acquisition）

对知识图谱进行建模和构造。

常用的方法：

• 关系提取
• 实体提取
• 属性提取（与实体提取类似）

知识图谱补全（Knowledge Graph Completion）

补全知识图谱中缺失的关系。

常用的方法：

• 链接预测（link prediction）
• 实体预测（entity prediction）

知识融合（Knowledge Fusin）

从不同的知识图谱中获取知识，融入到一个知识图谱中。

常用的方法：

• 实体对齐（entity alignment）

知识推理（Knowledge Reasoning）

基于现有的知识，推理出新的知识。

常用的方法：

• 基于逻辑规则
• 基于分布式表示
• 基于神经网络

应用

推荐系统

传统的推荐系统

• 基于内容：关注物品的内容特征，以及用户对这些内容的偏好，然后生成相似特征的建议。
• 基于协同过滤
  • 用户协同过滤：分析用户之间的相似性，为用户推荐类似用户喜欢的物品。
  • 内容协同过滤：分析物品之间的相似性，为用户推荐类似物品。

基于KG的推荐系统

将KG作为辅助信息，利用user和item的网络去学习item-user、item-item、user-user的联系。

优势：

• 更好的解释性
• 更好的结果
• 缓解了冷启动

问答系统

传统问答系统的劣势：从大量的非结构化数据中过滤，效率较低。

基于知识图谱的问答系统：

Knowledge graph-based questionanswering systems typically analyze the user question and retrieve the portion of knowledge graphs for answering.

• 效率更高
• 适合多跳问题

信息检索

借助知识图谱对文档进行实体和关系的表示。

• 实体的语义表示
• 更高的检索效率
• 更准确的检索结果

领域

• 教育
• 社交网络
• 药物/医疗

技术挑战

知识图谱嵌入

• 额外的信息（实体类型、关系路径等）被忽略
• 使用哪些额外信息以及如何使用额外信息

知识图谱获取

• 准确率较低（因为知识图谱不完整或存在噪音）
• 效率较低（无法直接利用原始数据）

In addition, a domain-specific knowledge graph schema is knowledge-oriented, while a constructed knowledge graph schema is data-oriented for covering all data features

知识图谱补全

• 不能生成新的实体和关系

That means the generated triplets are new, but the entities or relations in the triplets need to already exist in the knowledge graph.

知识融合

• 效率与正确率

• 实体消歧（entity disambiguation）

  • 现有的方法在短文本或受限文本中表现不佳

• 跨语种的知识融合效果不理想

• 集中关注在单模态，忽略了多模态

  • 采用双曲空间，对不同模态进行映射。

知识推理

• 在大规模图谱上的多跳推理

  • 需要遍历多个关系路径和中间实体，效率较低。

• 对推理的结果的验证

展望

知识图谱的优势：

• 可解释性强
• 注重实体之间的关系
• 数据高度结构化

多语种知识图谱。

多模态知识图谱。

时序知识图谱，考虑时间信息（时间戳）,但是效率会变低。

To obtain accurate facts over time, temporal knowledge graph completion, which considers the temporal information reflecting the validity of knowledge, has emerged.