本研究旨在通过知识图谱改进大型语言模型 (LLM) 的推理能力，以回答复杂问题。我们提出了一种自主的基于 LLM 的智能体框架 KG-Agent，它允许一个小型 LLM 主动作出决策，直到完成对知识图谱的推理过程。在 KG-Agent 中，我们整合了 LLM、多功能工具箱、基于知识图谱的执行器和知识存储器，并开发了一个迭代机制，自主选择工具，然后更新用于对知识图谱进行推理的记忆。为了保证有效性，我们利用程序语言对知识图谱上的多跳推理过程进行了规范，并合成了基于代码的指令数据集，以对基础 LLM 进行微调。大量实验证明，仅使用 10K 个样本对 LLaMA-7B 进行微调就能在领域内外的数据集上超过使用更大的 LLM 或更多数据的现有方法。我们的代码和数据将公开发布。

Feb, 2024

本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。

Sep, 2022

通过提出一种基于大语言模型的动态适应方法，本文研究了时间知识图谱推理中的若干挑战，包括解释性问题和适应性问题，并通过实验验证了这种方法在提高时间知识图谱推理准确性方面的有效性。

May, 2024

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

通过引入显式的行动知识，KnowAgent 为大型语言模型（LLMs）的规划能力提供了增强，实现了更合理的轨迹合成，从而提高了语言代理的规划性能。

Mar, 2024

本文介绍了一种基于代理和大型语言模型的本体匹配系统设计范例，并通过实证评估证明其在简单、复杂和少样本本体匹配任务上的性能显著优于现有系统。

Dec, 2023

该研究提出了一种使用对话 - KB 仲裁框架来学习具有对话 - KB 不一致的 TOD 代理的方法，该框架通过预测每个训练对话的最新的 KB 快照来减少对话 - KB 不一致，我们证明 TOD 代理训练的效果比现有基线模型更好。

May, 2023

利用大型语言模型作为中介代理在 Out-of-distribution 检测任务中引入了一个新方法，称为 Concept Matching with Agent（CMA），通过使用中立的提示作为代理以增强 CLIP-based OOD 检测的鲁棒性和适应性，实现了更好的 ID 和 OOD 输入的分离和识别。

May, 2024

提出了一种基于知识集成和知识蒸馏的活动物体检测方法，通过提供关于物体相关的可行交互信息来改善活动物体检测，实现了当前最先进的性能。

May, 2024

利用大型语言模型 (LLMs) 和知识图谱 (KG) 的协作训练方法，本研究在知识图谱的指导下，通过迭代探索和选择性地检索任务相关的知识子图来支持推理，使得 LLMs 能更可靠地进行基于知识的推理，并同时明确阐述推理过程，实验结果表明本方法在多个数据集上显著改进，尤其在 QALD10 数据集上相对于最佳基线和最先进的方法提高了超过 10%，为今后的知识图谱和大型语言模型融合研究提供了有价值的参考，提升 LLMs 在解决复杂问题上的能力。

Feb, 2024