Modelos de Linguagem de Grande Escala Encontram Grafos de Conhecimento para Resposta a Perguntas: Síntese e Oportunidades

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

May 26, 2025

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

cs.AI

Resumo

Modelos de linguagem de grande escala (LLMs, na sigla em inglês) demonstraram desempenho notável em tarefas de questionamento e resposta (QA, na sigla em inglês) devido às suas capacidades superiores em compreensão e geração de linguagem natural. No entanto, sistemas de QA baseados em LLMs enfrentam dificuldades em tarefas complexas de QA devido à capacidade limitada de raciocínio, conhecimento desatualizado e alucinações. Vários trabalhos recentes propõem a síntese de LLMs e grafos de conhecimento (KGs, na sigla em inglês) para QA a fim de abordar esses desafios. Nesta revisão, propomos uma nova taxonomia estruturada que categoriza a metodologia de síntese de LLMs e KGs para QA de acordo com os tipos de QA e o papel do KG ao ser integrado com LLMs. Revisamos sistematicamente os avanços mais recentes na síntese de LLMs e KGs para QA, comparando e analisando essas abordagens em termos de pontos fortes, limitações e requisitos dos KGs. Em seguida, alinhamos as abordagens com os tipos de QA e discutimos como elas abordam os principais desafios de diferentes QA complexos. Por fim, resumimos os avanços, métricas de avaliação e conjuntos de dados de referência, destacando desafios em aberto e oportunidades futuras.

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 However, LLM-based QA struggles with complex QA tasks due to poor reasoning capacity, outdated knowledge, and hallucinations.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