利用大型语言模型（LLM）的结构感知推理能力，将知识图谱（KG）中的结构信息嵌入到 LLMs 中，从而提高 LLMs 的知识推理能力。我们提出了一种结构感知推理框架，并通过实验证明了引入结构信息对 LLMs 的知识推理能力的改进效果。

Oct, 2023

此论文提出了一个 Explore-then-Determine（EtD）框架，将 Large Language Models（LLMs）与图神经网络（GNNs）相结合，用于在知识图谱上进行推理。在 Explore 阶段，使用轻量级 GNN 探索有希望的候选项和与问题相关的细粒度知识，而在 Determine 阶段，利用探索的信息构建一个知识增强的多项选择提示，指导冻结的 LLM 确定最终答案。对三个基准 KGQA 数据集进行的大量实验表明，EtD 实现了最先进的性能并生成了忠实的推理结果。

Jun, 2024

提出了一种整合了大型语言模型和三元组为基础的知识图谱完成方法，名为 KICGPT，通过使用知识提示来解决长尾问题并改进效率，而无需额外的训练和微调。

Feb, 2024

本文提出了一种 VEM$^2$L 插件化统一框架，将文本信息作为辅助特征，解决了存在稀疏知识图谱的 KGC 问题，在此问题中同时处理其不足，并在训练集和未观察到的查询上统一利用文本和结构特征，并利用 VEM 算法估计知识融合策略和图形加密，提高 KGC 的绩效。

Jul, 2022

通过引入上下文化蒸馏策略，将大型语言模型转化为更加丰富的上下文片段，进而通过引入定制的辅助任务，使得较小的知识图谱补全模型能够吸收这些丰富的三元组，并在各种数据集和知识图谱补全技术的综合评估中展现出卓越的性能提升和适应性，这为路径选择和适当的蒸馏任务提供了可解释性和洞察力。

Jan, 2024

本研究聚焦于利用大型语言模型（LLMs）进行自动事件提取，介绍了一种新方法以解决幻觉问题，通过将任务分解为事件检测和事件参数提取，并将动态结构感知的增强检索示例集成到为每个具体查询定制的提示中，从而扩展和适应检索增强生成等先进提示技术。评估结果表明，与基线方法相比，该方法在突出的事件提取基准和合成基准测试中表现出卓越的性能。

Jun, 2024

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

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量，该方法在低资源计算条件下展现了有效的推理能力，并在 WN18RR 和 FB15K237 数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

Oct, 2023

这篇论文探讨了使用大型语言模型（LLMs）对知识图谱（KG）完成模型进行自动评估的方法。通过使用通用生成型人工智能和 LLMs，可以替代传统的基于人工标注的大规模验证方法，引入了一种基于开源结构和语义验证工具的框架，以及灵活的事实检查和验证方法，并支持参考任何外部知识源的功能。该设计易于适应和扩展，可以通过模型内开发的知识、用户提供的上下文以及能够获取外部知识的代理来验证任何类型的图形结构数据。

Apr, 2024

提出了一种自适应架构的知识图谱构建方法，可以在动态变化的架构图中提取实体、关系、事件，并通过基准测试和实验结果证明其有效性。

May, 2023