Les grands modèles de langage rencontrent les graphes de connaissances pour le question-réponse : Synthèse et perspectives

Large Language Models Meet Knowledge Graphs for Question Answering: Synthesis and Opportunities

May 26, 2025

Auteurs: Chuangtao Ma, Yongrui Chen, Tianxing Wu, Arijit Khan, Haofen Wang

cs.AI

Résumé

Les grands modèles de langage (LLMs) ont démontré des performances remarquables dans les tâches de question-réponse (QA) grâce à leurs capacités supérieures en compréhension et génération du langage naturel. Cependant, les systèmes de QA basés sur les LLMs rencontrent des difficultés avec les tâches de QA complexes en raison d'une capacité de raisonnement limitée, de connaissances obsolètes et de phénomènes d'hallucination. Plusieurs travaux récents proposent de synthétiser les LLMs et les graphes de connaissances (KGs) pour la QA afin de relever ces défis. Dans cette étude, nous proposons une nouvelle taxonomie structurée qui catégorise les méthodologies de synthèse des LLMs et des KGs pour la QA selon les catégories de QA et le rôle du KG lors de son intégration avec les LLMs. Nous examinons systématiquement les avancées les plus récentes dans la synthèse des LLMs et des KGs pour la QA, et comparons et analysons ces approches en termes de forces, de limites et des exigences en matière de KG. Nous alignons ensuite ces approches avec les tâches de QA et discutons de la manière dont elles répondent aux principaux défis des différentes QA complexes. Enfin, nous résumons les avancées, les métriques d'évaluation et les ensembles de données de référence, et mettons en lumière les défis ouverts et les opportunités.

English

Large language models (LLMs) have demonstrated remarkable performance on question-answering (QA) tasks because of their superior capabilities in natural language understanding and generation. However, LLM-based QA struggles with complex QA tasks due to poor reasoning capacity, outdated knowledge, and hallucinations. Several recent works synthesize LLMs and knowledge graphs (KGs) for QA to address the above challenges. In this survey, we propose a new structured taxonomy that categorizes the methodology of synthesizing LLMs and KGs for QA according to the categories of QA and the KG's role when integrating with LLMs. We systematically survey state-of-the-art advances in synthesizing LLMs and KGs for QA and compare and analyze these approaches in terms of strength, limitations, and KG requirements. We then align the approaches with QA and discuss how these approaches address the main challenges of different complex QA. Finally, we summarize the advancements, evaluation metrics, and benchmark datasets and highlight open challenges and opportunities.