Descarga KG LLM Papers - Descarga de código fuente KG LLM Papers

KG-LLM-Papeles

¿Qué pueden hacer los LLM por los KG? O, en otras palabras, ¿qué papel puede desempeñar KG en la era de los LLM?

? Este repositorio recopila artículos que integran gráficos de conocimiento (KG) y modelos de lenguaje grandes (LLM) .

? Bienvenido a recomendar artículos faltantes mediante Adding Issues o Pull Requests .

? Noticias

2024-05 Nuestro artículo Alineación de preferencias de expertos para LLM en respuesta a preguntas de dominio específico ha sido aceptado por ACL 2024. [ Repo ]
2024-02 Preimprimimos nuestros gráficos de conocimiento de encuestas y el aprendizaje multimodal: una encuesta completa [ Repo ].
2023-10 Preimprimimos nuestro artículo Cómo hacer que los modelos de lenguaje grandes funcionen mejor en la finalización de gráficos de conocimiento y publicamos el [ Repo ].
2023-06 Creamos este repositorio para mantener una lista de documentos sobre Intergrating Knowledge Graphs and Large Language Models .

Contenido

Papeles
- ? Encuestas
- ⚙ Métodos
- ? Recursos

Papeles

Encuestas

[arxiv] Los gráficos de conocimiento se combinan con el aprendizaje multimodal: una encuesta completa. 2024.02
[arxiv] ¿Pueden los gráficos de conocimiento reducir las alucinaciones en los LLM? : Una encuesta. 2023.11
[arxiv] Encuesta sobre factualidad en modelos de lenguaje grandes: conocimiento, recuperación y especificidad de dominio. 2023.10
[arxiv] Sobre la evolución de los gráficos de conocimiento: una encuesta y una perspectiva. 2023.10
[arxiv] Evaluación comparativa de las capacidades de modelos de lenguaje grandes para la creación y comprensión de gráficos de conocimiento RDF: ¿Qué tan bien hablan tortuga los LLM? 2023.09
[arxiv] Explicabilidad de modelos de lenguaje grandes: una encuesta. 2023.09
[arxiv] Generaciones de gráficos de conocimiento: las ideas locas y el impacto empresarial. 2023.08
[arxiv] Grandes modelos de lenguaje y gráficos de conocimiento: oportunidades y desafíos. 2023.08
[TKDE] Unificación de grandes modelos de lenguaje y gráficos de conocimiento: una hoja de ruta. 2023.06 [Repositorio]
[arxiv] ChatGPT no es suficiente: mejora de modelos de lenguaje grandes con gráficos de conocimiento para el modelado de lenguaje con reconocimiento de hechos. 2023.06
[arxiv] Una encuesta sobre modelos de lenguaje preentrenados mejorados por el conocimiento. 2023.05

Método

[arxiv] Decodificación de gráficos: razonamiento fiel y sólido en gráficos de conocimiento mediante la generación de cadenas bien formadas. 2024.10
[arxiv] Hacia los modelos de Graph Foundation: la perspectiva del razonamiento de tiro cero en los gráficos de conocimiento. 2024.10
[NeurIPS 2024] MKGL: Dominio de un lenguaje de tres palabras. 2024.10 [Repositorio]
[NeurIPS 2024] UrbanKGent: un marco de agente de modelo de lenguaje grande unificado para la construcción de gráficos de conocimiento urbano. 2024.10 [Repositorio]
[ICML 2024] Resaltado de grueso a fino: reducción de las alucinaciones de conocimiento en modelos de lenguaje grandes. 2024.10 [Repositorio]
[ACL 2024] SAC-KG: Explotación de modelos de lenguaje grandes como constructores automáticos calificados para gráficos de conocimiento de dominio. 2024.09
[NeurIPS 2024] LLM4EA: Alineación de entidades con anotaciones ruidosas de modelos de lenguaje grandes. 2024.09 [Repositorio]
[arxiv] Cadena de conocimiento: integración del razonamiento del conocimiento en modelos de lenguaje grandes mediante el aprendizaje de gráficos de conocimiento. 2024.07
[arxiv] GraphEval: un marco de evaluación de alucinaciones de LLM basado en gráficos de conocimiento. 2024.07
[arxiv] Think-on-Graph 2.0: razonamiento de modelo de lenguaje grande profundo e interpretable con recuperación guiada por gráficos de conocimiento. 2024.07
[ISWC 2024] Ajuste de modelos de lenguaje generativo grande con instrucciones de discriminación para completar gráficos de conocimiento. 2024.07
[Hallazgos de ACL 2024] Respuesta generativa a preguntas en dos etapas en un gráfico de conocimiento temporal utilizando modelos de lenguaje grandes. 2024.07
[arxiv] Árbol de recorridos: un algoritmo de razonamiento de disparo cero para aumentar modelos de lenguaje de caja negra con gráficos de conocimiento. 2024.07
[Hallazgos de NAACL 2024] GenTKG: pronóstico generativo en gráficos de conocimiento temporal con modelos de lenguaje grandes. 2024.06
[Hallazgos de ACL 2024] Respuesta generativa a preguntas en dos etapas en un gráfico de conocimiento temporal utilizando modelos de lenguaje grandes. 2024.06
[arxiv] Infusión eficiente de conocimientos mediante la alineación KG-LLM. 2024.06
[arxiv] Recuperación mejorada de Knowledge Graph: generación aumentada para análisis de modos y efectos de fallas. 2024.06
[arxiv] Modelos de lenguaje grande mejorados con gráficos de conocimiento mediante selección de ruta. 2024.06
[arxiv] Aprender a planificar modelos de lenguaje grandes con recuperación aumentada a partir de gráficos de conocimiento. 2024.06
[arxiv] Docs2KG: Construcción de gráficos de conocimiento unificados a partir de documentos heterogéneos con la ayuda de modelos de lenguaje grandes. 2024.06
[arxiv] UniOQA: un marco unificado para responder preguntas de gráficos de conocimiento con un modelo de lenguaje grande. 2024.06
[arxiv] Razonamiento multimodal con gráfico de conocimiento multimodal. 2024.06
[arxiv] Gráfico de conocimiento en la investigación astronómica con modelos de lenguaje grandes: cuantificación de las fuerzas impulsoras en el descubrimiento científico interdisciplinario. 2024.06
[arxiv] EffiQA: respuesta eficiente a preguntas con colaboración estratégica multimodelo en gráficos de conocimiento. 2024.06
[arxiv] Explorar y luego determinar: un marco de sinergia GNN-LLM para el razonamiento sobre el gráfico de conocimiento. 2024.06
[arxiv] EMERGE: Integración de RAG para mejorar el modelado predictivo de EHR multimodal. 2024.06
[EPJ Data Science] ¿Brillo u oro? Obtención de conocimientos estructurados a partir de informes de sostenibilidad a través de modelos de lenguaje grandes. 2024.06
[arxiv] DepsRAG: Hacia la gestión de dependencias de software utilizando modelos de lenguaje grandes. 2024.06 [Repositorio]
[arxiv] SABER: Una ontología del mundo real para la captura de conocimiento con modelos de lenguaje grandes 2024.05 [Repo]
[arxiv] HippoRAG: Memoria a largo plazo inspirada neurobiológicamente para modelos de lenguaje grandes 2024.05 [Repo]
[arxiv] KG-FIT: Ajuste del gráfico de conocimiento sobre el conocimiento del mundo abierto. 2024.05
[arxiv] Captura de conocimiento simbólico impulsada por ontologías en tiempo puntual con modelos de lenguaje grandes 2024.05 [Repo]
[arxiv] Descomposición de oraciones basada en una línea de tiempo con aprendizaje en contexto para la extracción de hechos temporales. 2024.05
[arxiv] SOK-Bench: un punto de referencia de razonamiento en vídeo situado con conocimiento alineado del mundo abierto. 2024.05
[arxiv] Mitigar las alucinaciones en modelos de lenguaje grandes mediante la recuperación de conocimientos mejorada por autorrefinamiento. 2024.05
[arxiv] Generación de modelos de lenguaje grandes con gráficos de conocimiento para responder preguntas que involucran hechos de cola larga. 2024.05
[arxiv] DALK: Coaumento dinámico de LLM y KG para responder preguntas sobre la enfermedad de Alzheimer con literatura científica. 2024.05
[arxiv] BiasKG: Gráficos de conocimiento contradictorio para inducir sesgos en modelos de lenguaje grandes. 2024.05
[arxiv] AttacKG+: Impulso de la construcción de gráficos de conocimiento de ataques con modelos de lenguaje grandes. 2024.05
[arxiv] Detector Sora: una detección unificada de alucinaciones para modelos grandes de texto a vídeo. 2024.05
[arxiv] FOKE: un marco educativo personalizado y explicable que integra modelos básicos, gráficos de conocimiento e ingeniería rápida. 2024.05
[arxiv] Predicción de relaciones para la finalización de gráficos de conocimiento utilizando modelos de lenguaje grandes. 2024.05
[arxiv] Evaluación de modelos de lenguaje grandes para el resumen científico estructurado en Open Research Knowledge Graph. 2024.05
[arxiv] Mejora del razonamiento complejo sobre el gráfico de conocimiento con un ajuste del plan de estudios basado en la lógica. 2024.05
[arxiv] Predicción explicable basada en RAG de los comportamientos de los usuarios de la carretera para la conducción automatizada utilizando gráficos de conocimiento y modelos de lenguaje grandes. 2024.05
[arxiv] PrivComp-KG: Aprovechamiento del gráfico de conocimiento y modelos de lenguaje grandes para la verificación del cumplimiento de la política de privacidad. 2024.04
[arxiv] Respuesta a preguntas de múltiples saltos sobre gráficos de conocimiento utilizando modelos de lenguaje grandes. 2024.04
[arxiv] Construcción automatizada de gráficos de conocimiento temáticos específicos. 2024.04
[arxiv] Generación de recuperación aumentada con gráficos de conocimiento para responder preguntas de servicio al cliente. 2024.04
[arxiv] Evaluación de las relaciones de membresía de clase en gráficos de conocimiento utilizando modelos de lenguaje grandes. 2024.04
[arxiv] KGValidator: un marco para la validación automática de la construcción de gráficos de conocimiento. 2024.04
[arxiv] Modelos de lenguaje mejorados por contexto para generar citas de varios artículos. 2024.04
[arxiv] Razonamiento sobre rutas de conocimiento eficientes: guías de gráficos de conocimiento Modelo de lenguaje grande para responder preguntas de dominio. 2024.04
[arxiv] KG-CTG: Generación de citas a través de modelos de lenguaje grande guiados por gráficos de conocimiento. 2024.04
[arxiv] CuriousLLM: Mejora del control de calidad de varios documentos con indicaciones de gráficos de conocimiento basadas en razonamiento. 2024.04
[arxiv] ODA: Agente basado en observación para integrar LLM y gráficos de conocimiento. 2024.04
[arxiv] Creación de un gráfico de conocimiento para enriquecer las respuestas de ChatGPT en el descubrimiento de servicios de fabricación. 2024.04
[arxiv] Consulta lógica de pensamientos: guía de modelos de lenguaje grandes para responder consultas lógicas complejas con gráficos de conocimiento. 2024.04
[arxiv] Extraer, definir, canonicalizar: un marco basado en LLM para la construcción de gráficos de conocimiento. 2024.04
[COLM 2024] Presentación de LLM: la evolución de las representaciones latentes en un gráfico de conocimiento dinámico. 2024.04
[arxiv] Construcción de un gráfico de conocimiento de materiales funcionales en ciencia de materiales multidisciplinarios mediante un modelo de lenguaje grande. 2024.04
[arxiv] Sobre la linealización de datos estructurados en modelos de lenguaje codificador-decodificador: conocimientos de texto a SQL. 2024.04
[arxiv] Programación de superación personal para responder preguntas en gráficos de conocimiento temporal. 2024.04
[arxiv] Una hoja de ruta preliminar para los LLM como asistentes en la exploración, análisis y visualización de gráficos de conocimiento. 2024.04
[arxiv] Evaluación de la factualidad de modelos de lenguaje grandes utilizando gráficos de conocimiento a gran escala. 2024.04
[arxiv] Aprovechamiento del poder del modelo de lenguaje grande para el procesamiento de gráficos consciente de la incertidumbre. 2024.04
[arxiv] EventGround: razonamiento narrativo basándose en gráficos de conocimiento centrados en la eventualidad. 2024.04
[arxiv] Generar en gráfico: trate a LLM como agente y KG en la respuesta a preguntas de gráficos de conocimiento incompletos. 2024.04
[arxiv] De lo local a lo global: un enfoque Graph RAG para el resumen centrado en consultas. 2024.04
[arxiv] HyKGE: un marco mejorado de gráfico de conocimiento de hipótesis para respuestas de LLM médicos precisas y confiables. 2024.04
[arxiv] Evaluación de la factualidad de modelos de lenguaje grandes utilizando gráficos de conocimiento a gran escala. 2024.04
[arxiv] Evaluación de la factualidad de modelos de lenguaje grandes utilizando gráficos de conocimiento a gran escala. 2024.04
[arxiv] KnowLA: Mejora del ajuste eficiente de los parámetros con una adaptación informada. 2024.03
[LREC-COLING 2024] KC-GenRe: un método de reclasificación generativa limitado por el conocimiento basado en modelos de lenguaje grandes para completar gráficos de conocimiento. 2024.03
[arxiv] K-Act2Emo: Gráfico de conocimiento de sentido común coreano para la expresión emocional indirecta. 2024.03
[arxiv] Fusionar contenido específico de dominio de modelos de lenguaje grandes en gráficos de conocimiento para una clasificación mejorada del estado de objetos de disparo cero. 2024.03
[arxiv] Construcción de gráficos de conocimiento hiperrelacionales utilizando modelos de lenguaje grande previamente entrenados. 2024.03
[arxiv] Llámame cuando sea necesario: los LLM pueden razonar de manera eficiente y fiel en entornos estructurados. 2024.03
[arxiv] De expertos humanos a máquinas: un enfoque apoyado por LLM para la ontología y la construcción de gráficos de conocimiento. 2024.03
[arxiv] Razonamiento complejo sobre consultas lógicas en gráficos de conocimiento de sentido común. 2024.03
[arxiv] Modelo de lenguaje grande de gráfico de conocimiento (KG-LLM) para predicción de enlaces. 2024.03
[arxiv] KG-Rank: Mejora de modelos de lenguaje grandes para control de calidad médico con gráficos de conocimiento y técnicas de clasificación. 2024.03
[arxiv] Avance de la minería de textos biomédicos con desafíos comunitarios. 2024.03
[arxiv] Gráficos de conocimiento como fuentes de contexto para explicaciones de recomendaciones de aprendizaje basadas en LLM. 2024.03
[arxiv] Resumen de hechos centrado en la evidencia para responder preguntas de respuesta cero con conocimiento aumentado. 2024.03
[arxiv] AceMap: descubrimiento de conocimiento a través de gráficos académicos. 2024.03
[arxiv] KnowPhish: modelos de lenguaje grandes se combinan con gráficos de conocimiento multimodal para mejorar la detección de phishing basada en referencias. 2024.03
[arxiv] Revelando vínculos ocultos entre entidades de seguridad invisibles. 2024.03
[LREC-COLING 2024] Mejora desde múltiples perspectivas de la finalización de gráficos de conocimiento con modelos de lenguaje grandes. 2024.03
[arxiv] Infusión de conocimiento en modelos de lenguaje grandes con indicaciones contextuales. 2024.03
[arxiv] CR-LT-KGQA: un conjunto de datos de respuesta a preguntas de gráfico de conocimiento que requiere razonamiento de sentido común y conocimiento de cola larga. 2024.03
[arxiv] Correcto por razones correctas: modelos de lenguaje grandes para responder preguntas de gráficos de conocimiento de sentido común verificables. 2024.03
[arxiv] Generación automática de preguntas y respuestas para conocimiento de cola larga. 2024.03
[arxiv] AutoRD: un sistema automático e integral para la construcción de gráficos de conocimiento de enfermedades raras basado en modelos de lenguaje grande mejorados con ontologías. 2024.03
[arxiv] Razonamiento matemático autoconsistente por pasos con modelos de lenguaje grandes. 2024.02
[arxiv] Respuesta generativa a preguntas en dos etapas en un gráfico de conocimiento temporal utilizando modelos de lenguaje grandes. 2024.02
[arxiv] Liberando el poder de los modelos de lenguaje grandes para la alineación de entidades. 2024.02
[arxiv] Mejora de la previsión de gráficos de conocimiento temporal con modelos de lenguaje grandes mediante el razonamiento de cadena histórica. 2024.02
[arxiv] Rompiendo la barrera: utilización de modelos de lenguaje grandes para sistemas de recomendación industrial a través de un gráfico de conocimiento inferencial. 2024.02
[arxiv] Edición mejorada de modelos de lenguaje grande de Knowledge Graph. 2024.02
[arxiv] Integración consciente de la modalidad con modelos de lenguaje grandes para la respuesta visual de preguntas basada en el conocimiento. 2024.02
[arxiv] Recuperador basado en gráficos captura la larga cola del conocimiento biomédico. 2024.02
[arxiv] LLM como apuntador: razonamiento inductivo de bajos recursos en gráficos de conocimiento arbitrarios. 2024.02
[arxiv] Contraintuitivo: los modelos de lenguaje grandes pueden comprender mejor los gráficos de conocimiento de lo que pensábamos. 2024.02
[arxiv] InfuserKI: mejora de modelos de lenguaje grandes con gráficos de conocimiento mediante la integración de conocimientos guiada por Infuser. 2024.02
[arxiv] Hacia el desarrollo de bases de datos y mapas de conocimiento automatizados para ingeniería de materiales utilizando modelos de lenguaje grandes. 2024.02
[arxiv] KG-Agent: un marco de agente autónomo eficiente para razonamiento complejo sobre gráficos de conocimiento. 2024.02
[arxiv] Preguntas PAT: un punto de referencia autoactualizado para la respuesta a preguntas temporales ancladas en el presente. 2024.02
[arxiv] Un marco de gráficos de transición condensado para la predicción de enlaces de disparo cero con modelos de lenguaje grandes. 2024.02
[arxiv] Mejora de modelos de lenguaje grandes con gráficos de conocimiento de pseudo y fuentes múltiples para responder preguntas abiertas. 2024.02
[arxiv] G-Retriever: generación de recuperación aumentada para la comprensión de gráficos textuales y la respuesta a preguntas. 2024.02
[arxiv] X-LoRA: combinación de expertos en adaptadores de bajo rango, un marco flexible para modelos de lenguaje grandes con aplicaciones en diseño y mecánica de proteínas. 2024.02
[arxiv] REALM: Mejora impulsada por RAG del análisis de registros médicos electrónicos multimodales a través de modelos de lenguaje grandes. 2024.02
[arxiv] GLaM: Ajuste de modelos de lenguaje grandes para la alineación de gráficos de conocimiento de dominio mediante partición de vecindarios y codificación de subgrafos generativos. 2024.02
[arxiv] Deje que su gráfico hable por usted: codificación de datos estructurados para LLM. 2024.02
[arxiv] CADReN: Red relacional contextual basada en anclajes para la estimación de la importancia de los nodos de gráficos cruzados controlables. 2024.02
[arxiv] Un esquema de razonamiento LLM mejorado basado en indicaciones a través de la colaboración integrada en Knowledge Graph. 2024.02
[arxiv] Generación SPARQL: un análisis sobre el ajuste de OpenLLaMA para la respuesta de preguntas sobre un gráfico de conocimiento de ciencias biológicas. 2024.02
[arxiv] Interacción entre la comunicación semántica y el aprendizaje del conocimiento. 2024.02
[arxiv] GUARD: Juego de roles para generar jailbreak en lenguaje natural para probar el cumplimiento de las pautas de modelos de lenguaje grandes. 2024.02
[arxiv] Representación de gráficos para razonamiento de gráficos en modelos de lenguaje grande multimodal. 2024.02
[arxiv] Evaluación de LLM: diagnóstico multimodal generado a partir de imágenes médicas y análisis de síntomas. 2024.02
[EACL 2024] Destilación de contextualización a partir de un modelo de lenguaje grande para completar gráficos de conocimiento. 2024.02
[EACL 2024] Un análisis comparativo de modelos de lenguajes conversacionales extensos en la generación de textos basados en el conocimiento. 2024.02
[arxiv] Captura de conocimiento simbólico en tiempo inmediato con modelos de lenguaje grandes. 2024.02 [Repositorio]
[arxiv] Detección eficaz de errores en motores de bases de datos Graph: un enfoque basado en LLM. 2024.02
[arxiv] Dos cabezas son mejores que una: integración del conocimiento a partir de gráficos de conocimiento y modelos de lenguaje grandes para la alineación de entidades. 2024.01
[arxiv] Evaluación comparativa de modelos de lenguaje grandes en atribución de respuestas a preguntas complejas utilizando gráficos de conocimiento. 2024.01
[arxiv] Exploración de rutas guiada por pistas: un marco eficiente de respuesta a preguntas de base de conocimientos con bajo consumo de recursos computacionales. 2024.01
[AAAI 2024] KAM-CoT: Razonamiento de cadena de pensamientos multimodal aumentado por conocimiento. 2024.01
[arxiv] El contexto importa: superando los límites de la generación de respuestas abiertas con un contexto de conocimiento estructurado por gráficos. 2024.01
[arxiv] Respaldo de las decisiones de los estudiantes sobre recomendaciones de aprendizaje: un chatbot basado en LLM con contextualización de gráficos de conocimiento para la explicabilidad conversacional y la tutoría. 2024.01
[arxiv] Destilación del conocimiento de la secuencia de eventos a partir de modelos de lenguaje grandes. 2024.01
[ACL 24] Los modelos de lenguaje grandes pueden aprender el razonamiento temporal. 2024.01 [Repositorio]
[arxiv] Cadena de historia: aprendizaje y pronóstico con LLM para completar gráficos de conocimiento temporal. 2024.01
[arxiv] TechGPT-2.0: un gran proyecto de modelo de lenguaje para resolver la tarea de construcción de gráficos de conocimiento. 2024.01 [Repositorio]
[arxiv] Evaluación de modelos de lenguaje grandes en análisis semántico para responder preguntas conversacionales sobre gráficos de conocimiento. 2024.01
[arxiv] ¿La Tierra es plana? Revelar errores fácticos en modelos de lenguaje grandes. 2024.01
[arxiv] keqing: la respuesta a preguntas basada en el conocimiento es un mentor de cadena de pensamiento natural de LLM. 2024.01
[arxiv] Lógica del cuarteto: un marco de razonamiento de cuatro pasos (QLFR) para avanzar en la clasificación de textos breves. 2024.01
[arxiv] Respuesta a preguntas conversacionales con reformulaciones sobre gráfico de conocimiento. 2023.12
[arxiv] Pensamiento y recuperación: un gráfico de conocimiento de hipótesis Modelos de lenguaje grande médicos mejorados. 2023.12
[arxiv] KnowledgeNavigator: Aprovechamiento de modelos de lenguaje grandes para mejorar el razonamiento sobre Knowledge Graph. 2023.12
[arxiv] Inteligencia generativa urbana (UGI): una plataforma fundamental para agentes en el entorno urbano incorporado. 2023.12
[arxiv] Verificación de hechos sin disparos con triples semánticos y gráficos de conocimiento. 2023.12
[arxiv] KGLens: una solución de gráfico de conocimiento parametrizado para evaluar lo que un LLM sabe y no sabe. 2023.12
[arxiv] LLM-ARK: Razonamiento de gráficos de conocimiento utilizando modelos de lenguaje grandes mediante aprendizaje por refuerzo profundo. 2023.12
[arxiv] Hacia una asistencia confiable para el desarrollo de software de IA. 2023.12
[arxiv] KnowGPT: inyección de conocimiento de caja negra para modelos de lenguaje grandes. 2023.12
[arxiv] Cómo hacer que los modelos de lenguaje grandes sean mejores mineros de conocimiento para el marketing en línea con un aumento progresivo de las indicaciones. 2023.12
[arxiv] Ingeniería conceptual utilizando modelos de lenguaje grandes. 2023.12
[arxiv] Más allá del aislamiento: sinergia de múltiples agentes para mejorar la construcción de gráficos de conocimiento. 2023.12
[arxiv] Extracción de tripletes de gráficos de conocimiento de cero y pocos disparos con modelos de lenguaje grandes. 2023.12
[arxiv] Sobre la exploración de la capacidad de razonamiento de modelos de lenguaje grandes con gráficos de conocimiento. 2023.11
[arxiv] Generación de indicaciones optimizadas para gráficos de conocimiento biomédico para modelos de lenguaje grandes. 2023.11 [Repositorio]
[arxiv] Un enfoque de gráfico a texto para la generación de respuestas basadas en el conocimiento en la interacción entre humanos y robots. 2023.11
[EMNLP 2023]Revisando los marcos de inyección de conocimiento. 2023.12
[EMNLP 2023] ¿Importa la exactitud del conocimiento fáctico para los modelos de lenguaje preentrenados mejorados con conocimiento fáctico? 2023.12
[EMNLP 2023] ReasoningLM: Habilitación del razonamiento de subgrafos estructurales en modelos de lenguaje previamente entrenados para responder preguntas sobre un gráfico de conocimiento. 2023.12
[Hallazgos de EMNLP 2023]KICGPT: modelo de lenguaje grande con conocimiento en contexto para completar gráficos de conocimiento. 2023.12
[arxiv] $R^3$ -NL2GQL: Un enfoque de modelos híbridos para mejorar la precisión y mitigar las alucinaciones. 2023.11
[arxiv] Mitigación de las alucinaciones de modelos de lenguaje grandes mediante una adaptación autónoma basada en gráficos de conocimiento. 2023.11
[EMNLP 2023] Los LLM perfeccionados saben más y alucinan menos con un análisis semántico de secuencia a secuencia de pocos disparos a través de Wikidata. 2023.11
[arxiv] Aprovechamiento de los LLM en la respuesta a preguntas del gráfico de conocimiento académico. 2023.11
[arxiv] Alineación de preferencias de expertos para LLM en respuesta a preguntas de dominios específicos. 2023.11
[arxiv] OLaLa: Coincidencia de ontologías con modelos de lenguaje grandes. 2023.11
[arxiv] Aprendizaje en contexto para la respuesta a preguntas de la base de conocimientos para sistemas no tripulados basados en modelos de lenguaje grandes. 2023.11
[arxiv] Descubramos más relaciones API: una cadena de IA basada en modelos de lenguaje grande para la inferencia de relaciones API no supervisadas. 2023.11
[arxiv] El formulario sigue la función: generación de gráficos condicionales de texto a texto basada en requisitos funcionales. 2023.11
[arxiv] Los modelos de lenguaje grandes se combinan con gráficos de conocimiento para responder preguntas factoides. 2023.10
[arxiv] Selección del tipo de respuesta candidata: el modelo de lenguaje texto a texto para respuestas a preguntas a libro cerrado se combina con gráficos de conocimiento. 2023.10
[arxiv] Indicaciones basadas en conocimientos: evaluación y avance de la generación de datos de textos clínicos con modelos de lenguaje grandes. 2023.10
[arxiv] DIVKNOWQA: Evaluación de la capacidad de razonamiento de los LLM mediante la respuesta a preguntas de dominio abierto sobre una base de conocimientos y texto. 2023.10
[arxiv] Gráfico ontológico de recuperación generativa aumentada y estrategias de múltiples agentes para el diseño de materiales interpretativos basados en modelos de lenguaje grande. 2023.10
[arxiv] Un método de recomendación de patrones de civilización ecológica multimodal basado en modelos de lenguaje grandes y gráficos de conocimiento. 2023.10
[arxiv] LoRAShear: modelo de lenguaje grande eficiente, poda estructurada y recuperación de conocimiento. 2023.10
[arxiv] Agente de gráficos: Agente de razonamiento explícito para gráficos. 2023.10
[arxiv] Un método de comprensión de esquemas en contexto para responder preguntas de la base de conocimientos. 2023.10
[arxiv] GraphGPT: ajuste de instrucciones gráficas para modelos de lenguaje grandes. 2023.10
[Hallazgos de EMNLP 2023] Evaluación sistemática del conocimiento fáctico en modelos de lenguaje grandes. 2023.10
[Hallazgos de EMNLP 2023] KG-GPT: un marco general para el razonamiento en gráficos de conocimiento utilizando modelos de lenguaje grandes. 2023.10
[arxiv] MechGPT, una estrategia basada en lenguaje para mecánica y modelado de materiales que conecta el conocimiento a través de escalas, disciplinas y modalidades. 2023.10
[arxiv] Qilin-Med: Modelo de lenguaje grande médico avanzado de inyección de conocimientos en múltiples etapas. 2023.10
[arxiv] ChatKBQA: un marco de generación y recuperación para responder preguntas de la base de conocimientos con modelos de lenguaje grandes optimizados. 2023.10
[arxiv] De modelos de lenguaje grandes a gráficos de conocimiento para el descubrimiento de biomarcadores en el cáncer. 2023.10
[arxiv] Cómo hacer que los modelos de lenguaje grandes funcionen mejor al completar gráficos de conocimiento. 2023.10
[arxiv] CP-KGC: finalización de gráficos de conocimiento con restricciones y restricciones con modelos de lenguaje grandes. 2023.10
[arxiv] PHALM: Creación de un gráfico de conocimiento desde cero mediante indicaciones humanas y un modelo de lenguaje. 2023.10
[arxiv] InstructProtein: Alineación del lenguaje humano y proteico mediante la instrucción del conocimiento. 2023.10
[arxiv] Los modelos de lenguaje grandes se combinan con gráficos de conocimiento para responder preguntas factoides. 2023.10
[arxiv] Crucigramas de conocimiento: razonamiento geométrico sobre conocimiento estructurado con modelos de lenguaje grandes. 2023.10
[ICLR 2024] Razonamiento sobre gráficos: razonamiento de modelo de lenguaje grande fiel e interpretable. 2023.10 [Repo]
[arxiv] RelBERT: Incrustación de relaciones con modelos de lenguaje. 2023.10
[arxiv] Evaluación comparativa de las capacidades de modelos de lenguaje grandes para la creación y comprensión de gráficos de conocimiento RDF: ¿Qué tan bien hablan tortuga los LLM? 2023.09
[arxiv] Charlemos para encontrar las API: conectando humanos, LLM y Knowledge Graph a través de AI Chain. 2023.09
[arxiv] Graficar indicaciones neuronales con modelos de lenguaje grandes. 2023.09
[arxiv] Un enfoque de representación del conocimiento para el modelado del conocimiento de contratos de construcción. 2023.09
[arxiv] Recuperar-Reescribir-Respuesta: un marco de LLM mejorado de KG a texto para responder preguntas de gráficos de conocimiento. 2023.09
[arxiv] "¡Fusionar conflictos!" Explorando los impactos de los distractores externos en los gráficos de conocimiento paramétrico. 2023.09
[arxiv] FactLLaMA: Optimización de modelos de lenguaje de seguimiento de instrucciones con conocimiento externo para la verificación de datos automatizada. 2023.09
[arxiv] ChatRule: minería de reglas lógicas con modelos de lenguaje grandes para el razonamiento de gráficos de conocimiento. 2023.09
[AAAI 2024] Aprendizaje en contexto con estilo de código para responder preguntas basadas en conocimientos. 2023.09
[arxiv] Liberar el poder del aprendizaje de gráficos a través de agentes autónomos basados en LLM. 2023.09
[arxiv] Grandes modelos de lenguaje de ajuste del conocimiento con bases de conocimiento médico estructuradas para la generación de respuestas confiables en chino. 2023.09
[arxiv] Knowledge Solver: Enseñar a los LLM a buscar conocimiento de dominio a partir de gráficos de conocimiento. 2023.09
[arxiv] Vinculación de entidades biomédicas con preformación de triple conciencia. 2023.08
[arxiv] Exploración de modelos de lenguaje grandes para completar gráficos de conocimiento. 2023.08 [Repositorio]
[arxiv] Desarrollo de un punto de referencia escalable para evaluar modelos de lenguaje grandes en ingeniería de gráficos de conocimiento. 2023.08
[arxiv] Aprovechamiento de un gráfico de conocimiento médico en modelos de lenguaje grandes para la predicción de diagnósticos. 2023.08
[arxiv] LKPNR: LLM y KG para el marco de recomendación de noticias personalizado. 2023.08
[arxiv] Gráfico de conocimiento que solicita la respuesta a preguntas en varios documentos. 2023.08
[arxiv] De cabeza a cola: ¿Qué conocimientos tienen los modelos de lenguajes grandes (LLM)? También conocido como ¿Los LLM reemplazarán los gráficos de conocimiento? 2023.08
[arxiv] MindMap: Gráfico de conocimiento que genera un gráfico de pensamientos en modelos de lenguaje grandes. 2023.08
[arxiv] Hacia incrustaciones semánticamente enriquecidas para completar gráficos de conocimiento. 2023.07
[TKDE 2024] AutoAlign: Alineación de gráficos de conocimiento totalmente automática y efectiva habilitada por modelos de lenguaje grandes. 2023.07
[arxiv] Uso de modelos de lenguaje grandes para la generación de lenguaje natural de disparo cero a partir de gráficos de conocimiento. 2023.07
[ICLR 2024] Think-on-Graph: razonamiento profundo y responsable de un modelo de lenguaje grande con Knowledge Graph. 2023.07
[Exploraciones SIGKDD 2024] Exploración del potencial de los modelos de lenguaje grandes (LLM) en el aprendizaje sobre gráficos. 2023.07
[arxiv] Exploración del modelo de lenguaje grande para la comprensión de datos gráficos en recomendaciones laborales en línea. 2023.07
[arxiv] RecallM: una arquitectura para la comprensión del contexto temporal y la respuesta a preguntas. 2023.07
[arxiv] Ingeniería de gráficos de conocimiento asistida por LLM: experimentos con ChatGPT. 2023.07
[arxiv] LLM iterativo de disparo cero para la construcción de gráficos de conocimiento. 2023.07
[arxiv] Muñeco de nieve: un gráfico de conocimiento de sentido común chino a escala de un millón extraído del modelo básico. 2023.06
[arxiv] Modelo de lenguaje de conocimiento aumentado que solicita respuestas a preguntas de gráficos de conocimiento de disparo cero. 2023.06
[arxiv] Ajuste de modelos de lenguaje para grandes empresas mediante el razonamiento ontológico. 2023.06
[NeurIPS 2023] Destilación de razonamiento aumentado por conocimiento para modelos de lenguaje pequeño en tareas intensivas en conocimiento. 2023.05
[arxiv] Mejora de la construcción de gráficos de conocimiento mediante modelos de lenguaje grandes. 2023.05
[arxiv] ChatGraph: clasificación de texto interpretable mediante la conversión del conocimiento de ChatGPT en gráficos. 2023.05
[ACL 2023] FactKG: Verificación de hechos mediante razonamiento en gráficos de conocimiento. 2023.05
[arxiv] HiPrompt: Fusión de conocimientos biomédicos de pocas posibilidades mediante indicaciones orientadas a la jerarquía. 2023.04
[EMNLP 2023] StructGPT: un marco general para que un modelo de lenguaje grande razone sobre datos estructurados. 2023.05
[ICLR 2024] Aprovechamiento de las explicaciones: intérprete de LLM a LM para el aprendizaje mejorado de representación de gráficos atribuidos a texto. 2023.05
[arxiv] LLM para la construcción y el razonamiento de gráficos de conocimiento: capacidades recientes y oportunidades futuras. 2023.05 [Repositorio]
[NeurIPS 2023] ¿Pueden los modelos de lenguaje resolver problemas de gráficos en lenguaje natural? 2023.05
[arxiv] Los modelos de finalización de gráficos de conocimiento son estudiantes con pocas posibilidades: un estudio empírico del etiquetado de relaciones en el comercio electrónico con LLM. 2023.05
[arxiv] ¿Pueden los modelos de lenguaje grandes generar declaraciones negativas destacadas? 2023.05
[arxiv] GPT4Graph: ¿Pueden los modelos de lenguaje grandes comprender datos estructurados de gráficos? Una evaluación empírica y un benchmarking. 2023.05
[arxiv] Razonamiento lógico complejo sobre gráficos de conocimiento utilizando modelos de lenguaje grandes. 2023.05 [Repositorio]
[arxiv] Razonamiento causal y modelos de lenguaje amplio: abriendo una nueva frontera para la causalidad. 2023.04
[arxiv] ¿Pueden los modelos de lenguaje grandes construir gráficos causales? 2023.04
[arxiv] Uso de múltiples gráficos de conocimiento RDF para enriquecer las respuestas de ChatGPT. 2023.04
[arxiv] Graph-ToolFormer: para capacitar a los LLM con la capacidad de razonamiento gráfico a través de indicaciones aumentadas por ChatGPT. 2023.04
[arxiv] Interrogación rápida estructurada y extracción recursiva de semántica (SPIRES): un método para completar bases de conocimiento utilizando el aprendizaje de disparo cero. 2023.04 [Repositorio]

Recursos y evaluación comparativa

[arxiv] STaRK: Evaluación comparativa de la recuperación de LLM en bases de conocimiento textuales y relacionales. 2024.04 [Repositorio]
[arxiv] RareBench: ¿Pueden los LLM servir como especialistas en enfermedades raras? 2024.02
[arxiv] Evaluación comparativa de modelos de lenguaje grandes en atribución de respuestas a preguntas complejas utilizando gráficos de conocimiento. 2024.01
[ACL 24] Los modelos de lenguaje grandes pueden aprender el razonamiento temporal. 2024.01 [Repositorio]
[arxiv] AbsPyramid: Evaluación comparativa de la capacidad de abstracción de los modelos de lenguaje con un gráfico de vinculación unificado. 2023.11
[arxiv] Un punto de referencia para comprender el papel de los gráficos de conocimiento en la precisión del modelo de lenguaje grande para responder preguntas en bases de datos SQL empresariales. 2023.11
[arxiv] Hacia una generación verificable: un punto de referencia para la atribución de modelos de lenguaje conscientes del conocimiento. 2023.10
[EMNLP 2023] MarkQA: un conjunto de datos KBQA a gran escala con razonamiento numérico. 2023.10
[CIKM 2023] Enriquecimiento de ontologías a partir de textos: un conjunto de datos biomédicos para el descubrimiento y la ubicación de conceptos. 2023.06
[arxiv] Xiezhi: un punto de referencia en constante actualización para la evaluación holística del conocimiento del dominio. 2023.06
[Demostraciones del sistema AACL 2023] LambdaKG: una biblioteca para incrustaciones de gráficos de conocimiento basados en modelos de lenguaje previamente entrenados 2023.03 [Repo]
[arxiv] Construcción de conjuntos de datos de texto y gráfico de conocimiento emparejados informados por evaluación cíclica. 2023.09
[arxiv] De modelos de lenguaje grandes a gráficos de conocimiento para el descubrimiento de biomarcadores en el cáncer. 2023.10
[ISWC 2023] Text2KGBench: un punto de referencia para la generación de gráficos de conocimiento basados en ontologías a partir de texto. 2023.08

Contribución

Colaboradores

? Contribuyendo (¡bienvenido!)

Agregue un nuevo documento o actualice un documento LLM existente relacionado con KG.
? Utilice el mismo formato que las entradas existentes para describir el trabajo.
? Se recomienda (no es necesario) una explicación muy breve de por qué cree que se debe agregar o actualizar un documento a través de Adding Issues o Pull Requests .

No te preocupes si pones algo mal, te lo arreglarán. ¡Siéntete libre de contribuir y promover tu increíble trabajo aquí! ? Nos comunicaremos contigo a tiempo ~

? Citar:

Si este repositorio le resulta útil, considere citar nuestro artículo. Se lo agradeceríamos mucho :)

 @article{DBLP:journals/corr/abs-2311-06503,
  author       = {Yichi Zhang and
                  Zhuo Chen and
                  Yin Fang and
                  Lei Cheng and
                  Yanxi Lu and
                  Fangming Li and
                  Wen Zhang and
                  Huajun Chen},
  title        = {Knowledgeable Preference Alignment for LLMs in Domain-specific Question
                  Answering},
  journal      = {CoRR},
  volume       = {abs/2311.06503},
  year         = {2023}
}

 @article{DBLP:journals/corr/abs-2310-06671,
  author       = {Yichi Zhang and
                  Zhuo Chen and
                  Wen Zhang and
                  Huajun Chen},
  title        = {Making Large Language Models Perform Better in Knowledge Graph Completion},
  journal      = {CoRR},
  volume       = {abs/2310.06671},
  year         = {2023}
}

Expandir