Grandi Modelli Linguistici e Grafi di Conoscenza per il Rispondere a Domande: Sintesi e Opportunità

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

May 26, 2025

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

cs.AI

Abstract

I grandi modelli linguistici (LLM) hanno dimostrato prestazioni notevoli nei compiti di risposta alle domande (QA) grazie alle loro superiori capacità di comprensione e generazione del linguaggio naturale. Tuttavia, i sistemi QA basati su LLM incontrano difficoltà con compiti QA complessi a causa di una scarsa capacità di ragionamento, conoscenze obsolete e allucinazioni. Diversi lavori recenti integrano LLM e grafi di conoscenza (KG) per affrontare queste sfide. In questa rassegna, proponiamo una nuova tassonomia strutturata che categorizza la metodologia di sintesi di LLM e KG per QA in base alle categorie di QA e al ruolo del KG quando integrato con gli LLM. Esaminiamo sistematicamente gli avanzamenti più recenti nella sintesi di LLM e KG per QA e confrontiamo e analizziamo questi approcci in termini di punti di forza, limitazioni e requisiti dei KG. Successivamente, allineiamo gli approcci con i compiti QA e discutiamo come questi affrontino le principali sfide dei diversi QA complessi. Infine, sintetizziamo i progressi, le metriche di valutazione e i dataset di riferimento, evidenziando le sfide aperte e le opportunità future.

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 However, LLM-based QA struggles with complex QA tasks due to poor reasoning capacity, outdated knowledge, and hallucinations.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.