为了应对模型认知能力有限的挑战，我们设计了一种知识融合操作，通过指导大型语言模型（LLM）基于上下文继续编写先前获取的外部维基百科知识，以进一步提升模型对上下文的理解和认知。实验表明，与基线模型相比，我们的方法生成的问题更具信息量，更接近人类提问的水平，同时保持上下文相关性。相比之下，后续问题无法在之前的上下文中得到回答。总体而言，基线模型在后续问题生成任务中存在信息量和多样性不足的问题，而本文方

黄勃，工学博士，副教授，硕士生导师。此外，知识图谱还能对大模型的生成内容进行约束和修正，避免出现偏见或不合适的内容，增强其语义理解和实体识别能力，实现多模态知识融合，使大模型在多模态任务中表现更加出色。联合训练设计知识嵌入层，将知识图谱融入大模型训练，并改良注意力机制，使模型聚焦关键知识节点，如同为模型安装了精准的导航系统，使其能准确捕捉知识要点。同时，知识图谱为大模型提供可信度提升路径和知识可信

文档智能目前因为RAG的应用而受到广泛关注，其本身是作为解决知识库的文本解析问题，从而用于召回的，但说到召回，那就会必然涉及到召回对象的单元化、关联化问题，所以，很自然的，文档智能就能够解决这种原始数据标准化、数据原子单位的抽取和关联构建问题。比如，知识图谱能帮助模型在多个文档跳跃，并结合非结构化图谱信息，合成全局信息。-布局分析抽离图谱节点，目标检测任务，用于对文档进行区域划分，核心在于标签的定

这篇论文提出的KG-LLM框架通过将知识图谱转换为自然语言提示，并利用指令微调和上下文学习（ICL），显著提高了多跳链接预测任务的准确性。实验结果表明，KG-LLM框架不仅提升了生成性多跳链接预测的性能，还增强了模型在面对未见过的提示时的泛化能力。实验结果表明，KG-LLM框架在多跳链接预测任务中的表现优于传统方法和消融框架，特别是在复杂的多跳关系推理中表现突出。：ICL的引入显著提高了模型在未见

表格、文本、语音等多模态数据，经知识抽取构建基础图谱，再经知识加工完善图谱信息提升图谱质量，在高质量图谱数据的支撑下提供多模态搜索、可视化探查、智能问答等功能。（2）图谱平台以星海知识图谱平台为支撑，提供包括知识构建、知识补全、知识管理与知识质量在内的高质量知识图谱构建能力，并提供包括知识计算、图谱问答、多模态搜索、可视化分析在内的图谱分析能力。从知识图谱来看，图谱作为一种图结构的数据组织、管理、

推理时干预和调控指的是：在不修改模型参数的前提下，在模型推理阶段对生成过程进行即时控制。具体来说，它通过注入可组合的干预向量（steering vectors）、调整提示结构（prompting），或者修改解码策略（decoding methods，例如温度采样、束搜索、采样概率重加权等），来引导模型输出符合目标行为。对比命令行输出中的模型原始响应（Orig Output）与干预后的响应（Stee

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。从专家系统的“If-Then”规则，到知识图谱的三元组，再到今天大模型时代，大模型没有杀死知识工程，而是让它以更强大、更智能的方式重生。人工智能的发展史上，知识工程始终是那条持久且关键的技术路线。大模型时代的知识工程，到底进化到了哪一步？这不是一句矛盾的口号，而是一次范式

结合Neo4j的强大支持，Graphiti不仅解决了动态数据处理的核心难题，还为未来的智能代理系统提供了坚实的记忆基础设施。本文深入探讨了Zep AI推出的Graphiti框架，一种基于图数据库构建的实时、时序感知的知识图谱引擎，旨在为AI代理提供动态记忆支持。传统的RAG方法在数据频繁更新的场景中往往力不从心，无法为基于代理的系统提供有效的支持。本文将详细解析Graphiti的工作原理，并将其与

通过对14位从业者的定性评估，我们发现，由于LinkQ的“有用”可视化效果，即使用户的LLM回答有误，用户也倾向于过度信任LinkQ的输出。此外，研究还表明，LLMs辅助的KG系统应根据用户的经验和知识水平进行定制，以避免一刀切的设计。尽管LinkQ的设计初衷是帮助用户理解LLM的工作流程，但研究发现用户有时会过度信任LLM的输出，尤其是在可视化设计“直观”的情况下。这些结果表明，虽然可视化设计有

本文提出了一种基于TCM KG和LLM的智能中药处方生成模型TCM-KLLaMA，通过新的输出层和SMKI机制有效减少了幻觉现象，提高了处方生成的准确性。在将知识从KG注入文本表示或模型时，由于语言的多样性和复杂性，输入文本中的症状描述可能与KG中的实体同义，导致精确匹配失败，限制了知识注入的效果。，结合同义词词典和相似性匹配，实现了高效的知识检索和注入。改进了大型模型的输出层和训练损失函数，有效