在稠密子图上进行推理，即根据问题计算每个节点的相关性权重，并聚合邻居节点信息，逐层传播，最终输出候选答案节点及其与问题实体的最短路径。OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。实验表明，该方法在多跳、多实体问题中效果尤其突出，并在效率上优于长上下文检索。进行推理，既保证了复杂问题下的准确性，又大幅度降低了。调用来

第一作者：罗浩然，北京邮电大学博士研究生，研究方向为知识图谱与大语言模型协同推理OpenKG地址：http://openkg.cn/tool/bupt-chatkbqaGitHub地址：https://github.com/LHRLAB/ChatKBQA论文链接：https://arxiv.org/abs/2310.08975动机随着ChatGPT 的问世，属于大模型的时代就此开始。无可否认，大型

接着根据关系描述生成一组同义词，这些同义词可以是单个词汇或者是短语，但是都必须与原始的关系语义保持一致，最后整合同义词，生成的同义词与原始关系一起构成一个语义群组（（3）展示了合成样本生成策略的重要性：通过消融实验，证明了关系同义词生成、实体过滤和句子重述等策略对提升模型性能的重要作用。）提出了一种新的方法，通过关系同义词生成、实体过滤和句子重述等策略，生成高质量、多样化的合成样本。）：该框架通过

更严重的是，重新训练可能导致模型对现有知识的灾难性遗忘。关系检索：知识图谱中的关系描述了两个实体之间的特定连接，为它们的交互提供语义清晰度，并极大地丰富了知识图谱的信息内容。为了在参数较少的大语言模型上实现高效推理，作者开发了一种精细的知识适配器，它能够有效解析图结构并进行细粒度的信息整合，从而将推理图压缩为更少的标记，并通过投影器与大语言模型的输入空间实现全面对齐。，这一轻量级且高效的提示学习推

笔记整理：杜超超，天津大学硕士，研究方向为自然语言处理、大语言模型论文链接：https://aclanthology.org/2024.acl-long.238/发表会议：ACL 20241. 动机知识图谱（KG）在各个专业领域的知识密集型任务中都发挥着关键作用，因此，获取准确、可靠的高质量知识就尤为重要。但是现在构建知识图谱的方法严重依赖于人工干预才能获取合格的KG，这不利于KG在现实场景中的应

笔记整理：陈少凯，浙江大学硕士生，研究方向为知识图谱、RAG论文链接：https://arxiv.org/pdf/2405.14831发表会议：Neurips 20241. 动机虽然近年来大语言模型（LLM）的研究取得了很大进展，但持续更新的长时记忆在当前的人工智能系统中仍然有明显缺陷。检索增强生成（RAG）已经成为LLMs长时记忆的解决方案，然而，当前的RAG方法仍不能帮助LLM执行需要跨段落边

笔记整理：喻靖，浙江大学硕士，研究方向为大语言模型论文链接：https://arxiv.org/pdf/2310.07793发表会议：NAACL2024摘要随着大语言模型（LLMs）的迅速发展，人们对时间知识图谱（tKG）领域的兴趣日益增长。传统上，tKG领域的预测任务主要由基于嵌入和基于规则的方法主导。然而，这些方法在处理复杂的时间关系数据时存在显著局限性，特别是在应对数据规模、复杂的图结构，以

笔记整理：汪俊杰，浙江大学硕士，研究方向为知识图谱、大预言模型论文链接：http://arxiv.org/abs/2311.13314发表会议：AAAI20241. 动机大型语言模型（LLMs）在生成文本时常常会生成与事实不符的错误陈述，这种现象被称为“事实幻觉”。为了解决这一问题，研究者们提出了将存储大量高质量事实信息的知识图谱（KGs）与LLMs结合的方法，可以显著减少事实幻觉的发生。尽管已.

笔记整理：孙硕硕，东南大学硕士，研究方向为自然语言处理链接：https://arxiv.org/abs/2307.076971. 动机本文的动机是大型语言模型在各种任务中取得了较大的进步，但它们往往难以完成复杂的推理，并且在知识可追溯性、及时性和准确性等至关重要的情况下表现出较差的性能。为了解决这些限制，作者提出了 Think-on-Graph (ToG)，这是一个新颖的框架，它利用知识图谱来增强

这些发现表明，代码，特别是代码中的条件语句，通过提示和微调在引发和提高语言模型的因果推理能力方面可以发挥重要作用。证明，在执行复杂因果推理任务时，代码语言模型优于相同结构的通用语言模型。的训练数据观察到最大的性能提升，这表明仅用少量（少于一千条）条件语句代码，模型的因果推理能力就能大幅提高。代码语言模型在大多数设置下仍然优于相应的通用语言模型，并且对于大多数模型来说，代码提示优于文本提示。代码大语