Grote Taalmodellen Ontmoeten Kennisgrafen voor Vraagbeantwoording: Synthese en Mogelijkheden

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

Samenvatting

Grote taalmodellen (LLMs) hebben opmerkelijke prestaties getoond bij vraag-antwoordtaken (QA) vanwege hun superieure vermogens in natuurlijke taalverwerking en -generatie. LLM-gebaseerde QA worstelt echter met complexe QA-taken vanwege beperkte redeneervaardigheden, verouderde kennis en hallucinaties. Verschillende recente studies combineren LLMs en kennisgrafieken (KGs) voor QA om de bovengenoemde uitdagingen aan te pakken. In dit overzicht stellen we een nieuwe gestructureerde taxonomie voor die de methodologie van het combineren van LLMs en KGs voor QA categoriseert volgens de soorten QA en de rol van de KG bij integratie met LLMs. We onderzoeken systematisch de meest recente ontwikkelingen in het combineren van LLMs en KGs voor QA en vergelijken en analyseren deze benaderingen in termen van sterke punten, beperkingen en KG-vereisten. Vervolgens koppelen we de benaderingen aan QA en bespreken we hoe deze benaderingen de belangrijkste uitdagingen van verschillende complexe QA aanpakken. Tot slot vatten we de vooruitgang, evaluatiemetrics en benchmarkdatasets samen en belichten we openstaande uitdagingen en kansen.

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 However, LLM-based QA struggles with complex QA tasks due to poor reasoning capacity, outdated knowledge, and hallucinations.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