Крупные языковые модели и графы знаний для ответов на вопросы: Синтез и перспективы

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

May 26, 2025

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

cs.AI

Аннотация

Крупные языковые модели (LLM) продемонстрировали выдающиеся результаты в задачах ответа на вопросы (QA) благодаря их превосходным способностям в понимании и генерации естественного языка. Однако LLM-подходы к QA сталкиваются с трудностями при решении сложных задач из-за ограниченных возможностей логического рассуждения, устаревших знаний и склонности к галлюцинациям. Несколько недавних работ объединяют LLM и графы знаний (KG) для решения QA, чтобы преодолеть указанные проблемы. В данном обзоре мы предлагаем новую структурированную таксономию, которая классифицирует методологии синтеза LLM и KG для QA в зависимости от категорий QA и роли KG при интеграции с LLM. Мы систематически рассматриваем современные достижения в области синтеза LLM и KG для QA, сравниваем и анализируем эти подходы с точки зрения их сильных сторон, ограничений и требований к KG. Затем мы сопоставляем подходы с задачами QA и обсуждаем, как эти подходы решают основные вызовы различных сложных QA. В заключение мы суммируем достижения, метрики оценки и эталонные наборы данных, а также выделяем открытые проблемы и перспективы.

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 However, LLM-based QA struggles with complex QA tasks due to poor reasoning capacity, outdated knowledge, and hallucinations.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