该研究提出了一种使用 RDF 和知识图谱验证 ChatGPT 事实的新型流程，通过利用 DBpedia 和 LODsyndesis 以及短句嵌入，返回与 ChatGPT 响应相关的三元组以及它们的来源和置信度，从而验证并丰富 ChatGPT 的回答。研究结果表明，能够验证 85.3% 的正确事实并找到 62.6% 的错误事实的正确答案。
Nov, 2023
鉴于知识图谱，以多跳问题为基础评估语言模型在知识图谱中的问答能力，展示了基于信息检索和语义解析的方法能够具有竞争力的性能。
Apr, 2024
该论文回顾了使用知识图谱增强的预训练模型的研究，详细介绍了现有的知识图谱增强预训练语言模型（KGPLMs）及其应用，并提出了基于知识图谱增强的大型语言模型（KGLLM）的思想以增强 LLM 的面向事实的推理能力，为 LLM 的研究开辟了新的途径。
Jun, 2023
利用知识图谱和 ChatGPT 相结合，提出了一种整合自下而上本体论和先进机器学习模型的方法，从结构化和非结构化数据源中发展出制造服务知识图谱，用于解决数字供应链网络中复杂的查询，并具有更好的可靠性和可解释性。
使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。
Jul, 2023
我们的研究致力于通过自然语言处理工具和创意鼓励来解决大众用户查询知识图谱的问题，我们的方法是通过正确的实体链接和训练 GPT 模型从自然语言问题中创建 SPARQL 查询，我们获得了在测试中 3 次查询命中准确度为 62.703%，实体链接挑战的 F1 值为 0.809，问题回答挑战的 F1 值为 0.009。
Feb, 2024
本篇论文探讨了知识图谱的构建与查询，结合深度学习、信息检索和自然语言处理等学科展开研究，提出了一些新的挑战和机会。
May, 2023
该研究论文介绍了 Text2KGBench 这个基准评估工具，可以评估语言模型的能力，从自然语言文本中生成知识图谱，并根据本体论从文本中提取事实。研究还提供了基准模型的结果和显示了使用语义网和自然语言处理技术，可以进一步提高模型性能的潜力。
Aug, 2023
本文介绍了最近使用 ChatGPT 对知识图谱工程进行实验的结果，探讨了其协助知识图谱的发展和管理的潜力。
本文研究了将知识图谱转化为自然语言文本的任务，主要讨论了广泛的开放领域大规模语言生成的挑战，将知识图谱转化为自然语言文本，从而提高了语言模型的事实准确性和减少了毒性。通过对开放领域 QA 和 LAMA 知识探测的任务进行评估，表明该方法在文本检索方面有很大的优势。
Oct, 2020