知识图谱与大模型融合实践研究报告

—大模型的定义

1.大模型是指参数数量大、结构复杂的深度学习模型，具备涌现能力、通用能力，并能够处理复杂的下游任务，如自然语言处理、图像识别等。

2.大模型是一种能够处理图像和文本输入，并生成文本的大规模多模态模型，主要应用于对话系统、文本摘要和机器翻译。

3.大模型也叫基础模型(FM，FoundationModel)，这类模型基于广泛的训练数据，通常采用大规模自我监督学习的方法，通过提示、微调适应广泛的下游任务。

—知识图谱落地面临的瓶颈

a.知识抽取规则的构建仍主要依赖人工，主观性强，导致可移植性差和误差传播，使得知识抽取质量难以保证。

b.知识图谱在面对自然语言中的语义歧义、上下文理解、语言常识推理等问题时，仍缺乏有效的解决办法。

c.本体构建对领域专业知识和构建经验要求高，实体与关系的标识和对齐、本体扩展和更新、本体评估和质控、不同本体融合等方面仍面临技术挑战。

—典型应用场景层面

01 智能对话

通过自然语言理解和生成，实现人机或机机之间的交互沟通，例如智能客服、智能助手、聊天机器人等。此场景需要能够理解和反馈自然语言，以及维护对话上下文。

02 智能检索

通过对用户输入的查询进行分析和匹配，从海量的数据中快速返回相关的信息。(通用领域:涵盖各种主题和领域的信息检索，例如百度、谷歌等。专业领域:针对特定的主题或领域的信息检索，例如医疗、法律、教育等。)此场景具备找到和理解查询相关的文本，理解和处理专业领域的知识的能力。

03 智能推荐

通过对用户的兴趣、行为、偏好等进行分析和预测，向用户提供个性化的内容或服务，例如电商平台、视频网站、音乐软件等。此场景需要理解用户的历史行为和兴趣，预测并推荐他们可能感兴趣的内容。

—知识图谱与大模型融合的现有研究工作

①通过将知识图谱作为训练目标、模型输入、专门知识融合模块，增强大模型预训练效果；通过动态知识融合、检索增强的知识融合方法，增强大模型推理能力；通过基于知识图谱的探针、分析技术，增强大模型可解释性。

②通过将大模型作为编码器或者通过大模型的生成能力，增强知识图谱表征；将大模型作为解码器、生成器，作用于知识补全；利用大模型的生成能力，增强图谱构建，对图谱交互、图谱问答等任务提供支持和提升。

③将大模型与知识图谱进行统一表征，增强结果准确性；将大模型和知识图谱结合，运用于推理过程，弥合文本和结构信息之间的差距并提升推理可解释性。

—关键技术示例

①利用大模型抽取自然语言问题中的实体、关系，进入结构化的知识图谱寻找问题答案，再通过大模型组合答案并结合大模型自身的知识广度将更充实的答案以自然语言的方式输出，增强知识图谱问答的广度、自然性和准确性。

②利用大模型自然语言理解方面的优势能够提升从知识图谱中生成文本的质量，提高语言的准确性和在现实场景中的可用性。

③利用大模型的通用性和对多类型数据统一处理的能力，能够增强多模态知识对齐，赋能多模态知识图谱的构建、表示、推理和应用的全流程。

来源：https://www.sohu.com/a/750347917_121666210  免责声明:以上报告均系本平台通过公开、合法渠道获得，报告版权归原撰写/发布机构所有，如涉侵权，请联系删除;资料为推荐阅读，仅供参考学习，如对内容存疑，请与原撰写/发布机构联系。报告出品方：中国电子技术标准化研究院