纵观使用图神经网络优化子图匹配方法的相关工作，本文作者发现其存在两点不足：其一，与传统方法的比较中，考虑的因素不够全面，比较不够公平。现有方法比较的传统方法绝大部分是运行在CPU端的方法，甚至是单线程实现的方法，而基于机器学习的方法需要使用GPU进行训练，同时在推理过程中有不同程度的并行计算优化，而这部分并发化带来的提升在实验中没有得到很好的体现。基于机器学习的方法投入了十倍的算力成本，但并不能保

大语言模型，尤其是基于思维链提示词（Chain-of Thought Prompting）[1]的方法，在多种自然语言推理任务上取得了出色的表现，但不擅长解决比示例问题更难的推理问题上。本文首先介绍复杂推理的两个分解提示词方法，再进一步介绍将提示词方法应用于知识图谱复杂逻辑推理的工作。

大语言模型，尤其是基于思维链提示词（Chain-of Thought Prompting）[1]的方法，在多种自然语言推理任务上取得了出色的表现，但不擅长解决比示例问题更难的推理问题上。本文首先介绍复杂推理的两个分解提示词方法，再进一步介绍将提示词方法应用于知识图谱复杂逻辑推理的工作。

本文介绍的三项工作中，第一项工作通过简单的提示方法让大模型展现出了让人惊叹的推理能力，第二三项工作则是在大模型基础上，通过不同方法融合知识图谱的结构化知识，从而使用大模型进行推理，但是目前融合方法比较简单，该方向仍然存在一定研究空间。如下图例子中，左边是传统的提示词方法，首先给出一组问题样例及答案，然后给出问题，大模型输出内容即为最终答案。本文所提方法整体结构如下图所示（ToG），从给定问题出发，

1月16日，毕马威中国“2022金融科技双50榜单”颁奖典礼举办，《2022金融科技发展趋势》报告同时发布，报告显示，知识图谱成为中国领先的金融科技公司的第四大首选技术。截至 2022 年，其技术要素分布份额为 34%。研究显示，大数据为最受欢迎的技术，其份额为76%，其次是人工智能，占68%，云计算位居第三，占41%。知识图谱排名首次高于区块链、5G、机器人处理自动化等技术。

知识图谱清晰的展示出108位梁山好汉之间的关系

复杂问题往往具有在知识图谱上的多跳，聚合，比较，判断等多种特点中的一个甚至多个。对于这些自然语言问题，基于知识库的复杂问答系统可以给出传统的搜索引擎等方式无法给出的答案。该方面研究可以被划分为三大类：基于模板的方法、基于语义解析的方法以及端到端的方法。本文将着重介绍基于语义解析的方法。该类方法旨在将自然语言问题解析为逻辑形式查询，需要进行管道建设（包括词汇映射、逻辑语言构建、图谱查询等步骤），具有

编者按：北京大学数据管理实验室薛冰聪硕士关于知识图谱质量控制的综述《Knowledge Graph Quality Management: a Comprehensive Survey》被TKDE 2022接收。知识图谱以结构化的形式表示现实世界中的实体和关系，是人工智能技术发展的基石。随着DBpedia、YAGO等大规模图谱的构建和发布，知识图谱在信息检索、智能问答、推荐系统等任务中发挥着越来越

gBuilder：知识图谱自动化构建平台 视频gBuilder知识图谱构建平台功能演示 北京大学_哔哩哔哩_bilibili-https://www.bilibili.com/video/BV12q4y1P75A/内测用户申请申请条件1 有使用数据库的经验及使用图数据库的经验；2 使用过gStore单机版者优先；3 及时反馈测试意见/在3个月测试结束后，填写测评调查问卷。如何申请有意者请点击问卷：

2021年6月21日，中国信通院第十二批“大数据产品能力评测”评审会圆满结束。经过产品资料审核、测试报告审核、质询与答疑、集中评议，北京大学的RDF图数据库系统（简称gStore）通过了信通院图数据库基础能力专项评测，并于2021年6月24日在中国信息通信研究院举办的“2021大数据产业峰会”上获得证书。经过多年的发展“中国信通院大数据产品评测”已经成为权威的大数据及数据库产品评测体系，成为厂商产