Скачать KG LLM Papers - Скачать исходный код KG LLM Papers

KG-LLM-Документы

Что LLM могут сделать для КР? Или, другими словами, какую роль может сыграть KG в эпоху LLM?

? В этом репозитории собраны документы, объединяющие графы знаний (KG) и большие языковые модели (LLM) .

? Добро пожаловать, чтобы порекомендовать недостающие документы с помощью Adding Issues или Pull Requests .

? Новости

2024-05 Наша статья «Согласование предпочтений знаний для студентов LLM в области ответов на вопросы, специфичные для предметной области» была принята ACL 2024. [ Repo ]
2024-02 Мы предварительно печатаем графики знаний нашего опроса для мультимодального обучения: комплексный опрос [ Repo ].
2023-10 Мы предварительно печатаем нашу статью «Повышение эффективности больших языковых моделей при дополнении графа знаний» и выпускаем [ Repo ].
2023-06 Мы создаем этот репозиторий для ведения списка документов по Intergrating Knowledge Graphs and Large Language Models .

Содержание

Статьи
- ? Опросы
- ⚙ Методы
- ? Ресурсы

Статьи

Опросы

[arxiv] Графы знаний соответствуют мультимодальному обучению: комплексный опрос. 2024.02
[arxiv] Могут ли графы знаний уменьшить галлюцинации у студентов LLM? : Обзор. 2023.11
[arxiv] Обзор фактов в больших языковых моделях: знания, поиск и предметная специфичность. 2023.10
[arxiv] Об эволюции графов знаний: обзор и перспективы. 2023.10
[arxiv] Сравнительный анализ возможностей больших языковых моделей для создания и понимания графа знаний RDF: насколько хорошо студенты LLM говорят на черепаховом языке? 2023.09
[arxiv] Объяснимость моделей большого языка: обзор. 2023.09
[arxiv] Поколения графов знаний: безумные идеи и влияние на бизнес. 2023.08
[arxiv] Большие языковые модели и графы знаний: возможности и проблемы. 2023.08
[TKDE] Объединение больших языковых моделей и графов знаний: дорожная карта. 2023.06 [Репо]
[arxiv] ChatGPT недостаточно: улучшение больших языковых моделей с помощью графов знаний для языкового моделирования с учетом фактов. 2023.06
[arxiv] Обзор предварительно обученных языковых моделей с расширенными знаниями. 2023.05

Метод

[arxiv] Декодирование на графах: достоверное и здравое рассуждение на графах знаний посредством создания правильно сформированных цепочек. 2024.10
[arxiv] К моделям основания графов: перспектива рассуждений с нулевым выстрелом на графах знаний. 2024.10
[NeurIPS 2024] MKGL: Овладение языком из трех слов. 2024.10 [Репо]
[NeurIPS 2024] UrbanKGent: унифицированная структура агентов модели большого языка для построения графов городских знаний. 2024.10 [Репо]
[ICML 2024] Выделение от грубого до мелкого: уменьшение иллюзий знаний в больших языковых моделях. 2024.10 [Репо]
[ACL 2024] SAC-KG: Использование больших языковых моделей в качестве квалифицированных автоматических конструкторов для графов знаний предметной области. 2024.09
[NeurIPS 2024] LLM4EA: выравнивание сущностей с помощью зашумленных аннотаций из больших языковых моделей. 2024.09 [Репо]
[arxiv] Цепочка знаний: интеграция рассуждений, основанных на знаниях, в большие языковые модели путем обучения на основе графов знаний. 2024.07
[arxiv] GraphEval: система оценки галлюцинаций LLM на основе графа знаний. 2024.07
[arxiv] Think-on-Graph 2.0: глубокое и интерпретируемое рассуждение на основе модели большого языка с поиском на основе графа знаний. 2024.07
[ISWC 2024] Точная настройка генеративных моделей большого языка с инструкциями по дискриминации для завершения графа знаний. 2024.07
[Выводы ACL 2024] Двухэтапный генеративный ответ на вопросы на временном графе знаний с использованием больших языковых моделей. 2024.07
[arxiv] Дерево обходов: алгоритм рассуждения с нулевым выстрелом для дополнения языковых моделей черного ящика графами знаний. 2024.07
[Выводы NAACL 2024] GenTKG: Генеративное прогнозирование на временном графе знаний с использованием больших языковых моделей. 2024.06
[Выводы ACL 2024] Двухэтапный генеративный ответ на вопросы на временном графе знаний с использованием больших языковых моделей. 2024.06
[arxiv] Эффективное распространение знаний посредством согласования KG-LLM. 2024.06
[arxiv] Расширенная генерация диаграммы знаний для анализа режимов и последствий отказов. 2024.06
[arxiv] Модели большого языка с расширенными графами знаний посредством выбора пути. 2024.06
[arxiv] Обучение планированию моделей большого языка с расширенным поиском из графов знаний. 2024.06
[arxiv] Docs2KG: Построение унифицированного графа знаний из разнородных документов с помощью больших языковых моделей. 2024.06
[arxiv] UniOQA: унифицированная платформа для ответов на вопросы в рамках диаграммы знаний с использованием большой языковой модели. 2024.06
[arxiv] Мультимодальные рассуждения с мультимодальным графиком знаний. 2024.06
[arxiv] Граф знаний в астрономических исследованиях с использованием больших языковых моделей: количественная оценка движущих сил междисциплинарных научных открытий. 2024.06
[arxiv] EffiQA: Эффективное получение ответов на вопросы посредством стратегического многомодельного сотрудничества на основе графов знаний. 2024.06
[arxiv] Исследуйте, а затем определите: синергическая структура GNN-LLM для рассуждений о графе знаний. 2024.06
[arxiv] EMERGE: Интеграция RAG для улучшения прогнозного моделирования мультимодальных EHR. 2024.06
[EPJ Data Science] Блеск или золото? Получение структурированной информации из отчетов об устойчивом развитии с помощью больших языковых моделей. 2024.06
[arxiv] DepsRAG: На пути к управлению зависимостями программного обеспечения с использованием больших языковых моделей. 2024.06 [Репо]
[arxiv] KNOW: реальная онтология для сбора знаний с помощью больших языковых моделей 2024.05 [Repo]
[arxiv] HippoRAG: долговременная память, основанная на нейробиологии, для больших языковых моделей, 2024.05 [Репо]
[arxiv] KG-FIT: Тонкая настройка графа знаний на основе знаний открытого мира. 2024.05
[arxiv] Сбор символических знаний на основе онтологии с использованием больших языковых моделей 2024.05 [Repo]
[arxiv] Разложение предложений на основе временной шкалы с контекстным обучением для извлечения временных фактов. 2024.05
[arxiv] SOK-Bench: совмещенный тест видео-рассуждения с согласованными знаниями открытого мира. 2024.05
[arxiv] Смягчение галлюцинаций в больших языковых моделях посредством поиска расширенных знаний с самоуточнением. 2024.05
[arxiv] Создание больших языковых моделей с помощью графов знаний для ответов на вопросы с использованием фактов с длинным хвостом. 2024.05
[arxiv] DALK: Динамическое совместное увеличение LLM и KG для ответа на вопросы о болезни Альцгеймера с помощью научной литературы. 2024.05
[arxiv] BiasKG: Графы состязательных знаний, вызывающие предвзятость в больших языковых моделях. 2024.05
[arxiv] AttacKG+: Улучшение построения графов знаний об атаках с помощью больших языковых моделей. 2024.05
[arxiv] Sora Detector: унифицированное обнаружение галлюцинаций для больших моделей преобразования текста в видео. 2024.05
[arxiv] FOKE: Персонализированная и понятная система образования, объединяющая базовые модели, графики знаний и оперативное проектирование. 2024.05
[arxiv] Прогнозирование отношений для завершения графа знаний с использованием моделей большого языка. 2024.05
[arxiv] Оценка больших языковых моделей для структурированного научного обобщения в графе знаний открытых исследований. 2024.05
[arxiv] Улучшение сложных рассуждений на основе графа знаний с помощью настройки учебной программы с учетом логики. 2024.05
[arxiv] Объяснимое прогнозирование поведения участников дорожного движения на основе RAG для автоматизированного вождения с использованием графов знаний и больших языковых моделей. 2024.05
[arxiv] PrivComp-KG: Использование графа знаний и больших языковых моделей для проверки соблюдения политики конфиденциальности. 2024.04
[arxiv] Ответы на вопросы с несколькими переходами по графам знаний с использованием больших языковых моделей. 2024.04
[arxiv] Автоматическое построение графов знаний по конкретным темам. 2024.04
[arxiv] Генерация с расширенным поиском и диаграммами знаний для ответов на вопросы службы поддержки клиентов. 2024.04
[arxiv] Оценка отношений членства в классе в графах знаний с использованием больших языковых моделей. 2024.04
[arxiv] KGValidator: платформа для автоматической проверки построения графа знаний. 2024.04
[arxiv] Контекстно-расширенные языковые модели для цитирования нескольких статей. 2024.04
[arxiv] Рассуждения об эффективных путях знаний: граф знаний направляет большую языковую модель для ответов на вопросы предметной области. 2024.04
[arxiv] KG-CTG: Генерация цитирования с помощью моделей большого языка на основе графов знаний. 2024.04
[arxiv] CuriousLLM: повышение качества многодокументного контроля качества с помощью подсказок в виде графа знаний, основанных на рассуждениях. 2024.04
[arxiv] ODA: агент, управляемый наблюдением, для интеграции LLM и графиков знаний. 2024.04
[arxiv] Создание диаграммы знаний для расширения ответов ChatGPT при обнаружении производственных услуг. 2024.04
[arxiv] Логический запрос мыслей: руководство большими языковыми моделями для ответа на сложные логические запросы с помощью графов знаний. 2024.04
[arxiv] Извлечение, определение, канонизация: основа LLM для построения диаграмм знаний. 2024.04
[COLM 2024] Раскрытие LLM: эволюция скрытых представлений в динамическом графе знаний. 2024.04
[arxiv] Построение графа знаний функциональных материалов в междисциплинарном материаловедении с помощью модели большого языка. 2024.04
[arxiv] О линеаризации структурированных данных в языковых моделях кодировщика-декодера: выводы из преобразования текста в SQL. 2024.04
[arxiv] Программирование самосовершенствования для ответов на вопросы о временном графе знаний. 2024.04
[arxiv] Предварительная дорожная карта для LLM в качестве помощников в исследовании, анализе и визуализации графиков знаний. 2024.04
[arxiv] Оценка фактичности больших языковых моделей с использованием крупномасштабных графов знаний. 2024.04
[arxiv] Использование возможностей большой языковой модели для обработки графов с учетом неопределенности. 2024.04
[arxiv] EventGround: повествовательное рассуждение на основе графов знаний, ориентированных на события. 2024.04
[arxiv] Генерация на графике: рассматривайте LLM как агента и KG при ответах на вопросы с неполным графиком знаний. 2024.04
[arxiv] От локального к глобальному: подход Graph RAG к суммированию, ориентированному на запросы. 2024.04
[arxiv] HyKGE: Расширенная структура диаграммы знаний гипотез для точных и надежных ответов медицинских специалистов LLM. 2024.04
[arxiv] Оценка фактичности больших языковых моделей с использованием крупномасштабных графов знаний. 2024.04
[arxiv] Оценка фактичности больших языковых моделей с использованием крупномасштабных графов знаний. 2024.04
[arxiv] KnowLA: улучшение точной настройки с эффективным использованием параметров с помощью грамотной адаптации. 2024.03
[LREC-COLING 2024] KC-GenRe: Генеративный метод переранжирования с ограниченными знаниями, основанный на больших языковых моделях для заполнения графа знаний. 2024.03
[arxiv] K-Act2Emo: Корейская диаграмма знаний здравого смысла для косвенного выражения эмоций. 2024.03
[arxiv] Объединение предметно-специфичного контента из больших языковых моделей в графы знаний для расширенной классификации состояний объектов с нулевым выстрелом. 2024.03
[arxiv] Построение гиперреляционных графов знаний с использованием предварительно обученных моделей большого языка. 2024.03
[arxiv] Позвоните мне, когда необходимо: Магистр права может эффективно и достоверно анализировать структурированную среду. 2024.03
[arxiv] От людей-экспертов к машинам: подход, поддерживаемый LLM, к построению онтологий и графов знаний. 2024.03
[arxiv] Сложные рассуждения над логическими запросами на графах знаний здравого смысла. 2024.03
[arxiv] Большая языковая модель «График знаний» (KG-LLM) для прогнозирования ссылок. 2024.03
[arxiv] KG-Rank: улучшение больших языковых моделей для медицинского контроля качества с помощью графов знаний и методов ранжирования. 2024.03
[arxiv] Продвижение биомедицинского анализа текста с учетом проблем сообщества. 2024.03
[arxiv] Графики знаний как источники контекста для объяснений рекомендаций по обучению на основе LLM. 2024.03
[arxiv] Обобщение фактов, ориентированное на фактические данные, для ответов на вопросы с нулевым результатом, дополненных знаниями. 2024.03
[arxiv] AceMap: обнаружение знаний с помощью академического графика. 2024.03
[arxiv] KnowPhish: большие языковые модели и мультимодальные графы знаний для улучшения обнаружения фишинга на основе ссылок. 2024.03
[arxiv] Раскрытие скрытых связей между невидимыми объектами безопасности. 2024.03
[LREC-COLING 2024] Многоперспективное улучшение завершения графа знаний с помощью больших языковых моделей. 2024.03
[arxiv] Внесение знаний в большие языковые модели с помощью контекстных подсказок. 2024.03
[arxiv] CR-LT-KGQA: Набор данных для ответов на вопросы в графе знаний, требующий здравого смысла и долгосрочных знаний. 2024.03
[arxiv] Право на правильные причины: большие языковые модели для проверяемых ответов на вопросы в рамках здравого смысла. 2024.03
[arxiv] Автоматическая генерация вопросов и ответов для получения знаний с длинным хвостом. 2024.03
[arxiv] AutoRD: автоматическая и комплексная система для построения графов знаний о редких заболеваниях на основе моделей большого языка с расширенными онтологиями. 2024.03
[arxiv] Поэтапное самосогласованное математическое рассуждение с использованием больших языковых моделей. 2024.02
[arxiv] Двухэтапный генеративный ответ на вопросы на временном графе знаний с использованием больших языковых моделей. 2024.02
[arxiv] Раскрытие возможностей больших языковых моделей для выравнивания сущностей. 2024.02
[arxiv] Улучшение прогнозирования временных графов знаний с помощью больших языковых моделей посредством рассуждений на основе цепочки истории. 2024.02
[arxiv] Преодолев барьер: использование больших языковых моделей для промышленных рекомендательных систем с помощью логического графа знаний. 2024.02
[arxiv] Расширенное редактирование модели большого языка в сети знаний. 2024.02
[arxiv] Интеграция с учетом модальности с большими языковыми моделями для визуального ответа на вопросы, основанного на знаниях. 2024.02
[arxiv] Ретривер на основе графов охватывает длинный хвост биомедицинских знаний. 2024.02
[arxiv] LLM как подсказчик: индуктивные рассуждения с низкими ресурсами на произвольных графах знаний. 2024.02
[arxiv] Нелогично: большие языковые модели могут лучше понимать графы знаний, чем мы думали. 2024.02
[arxiv] InfuserKI: улучшение больших языковых моделей с помощью графов знаний посредством интеграции знаний под руководством Infuser. 2024.02
[arxiv] На пути к разработке автоматизированных карт знаний и баз данных для инженерии материалов с использованием больших языковых моделей. 2024.02
[arxiv] KG-Agent: эффективная структура автономного агента для сложных рассуждений над графом знаний. 2024.02
[arxiv] PAT-вопросы: самообновляющийся эталон для ответов на временные вопросы, привязанные к настоящему времени. 2024.02
[arxiv] Сжатая структура графа переходов для прогнозирования нулевых ссылок с помощью больших языковых моделей. 2024.02
[arxiv] Улучшение больших языковых моделей с помощью графов псевдо- и мультиисточников знаний для открытых ответов на вопросы. 2024.02
[arxiv] G-Retriever: генерация с расширенным поиском для понимания текстовых графов и ответов на вопросы. 2024.02
[arxiv] X-LoRA: смесь экспертов по адаптерам низкого ранга, гибкая основа для больших языковых моделей с приложениями в белковой механике и дизайне. 2024.02
[arxiv] REALM: Улучшение мультимодального анализа электронных медицинских записей с помощью RAG с помощью больших языковых моделей. 2024.02
[arxiv] GLaM: точная настройка больших языковых моделей для выравнивания графа знаний предметной области посредством секционирования окрестности и генеративного кодирования подграфов. 2024.02
[arxiv] Пусть ваш график говорит сам: кодирование структурированных данных для LLM. 2024.02
[arxiv] CADReN: контекстная реляционная сеть, управляемая привязками, для управляемой оценки важности узлов кросс-графов. 2024.02
[arxiv] Расширенная схема рассуждения LLM на основе подсказок посредством совместной работы, интегрированной в граф знаний. 2024.02
[arxiv] Генерация SPARQL: анализ тонкой настройки OpenLLaMA для ответов на вопросы по графу знаний в области медико-биологических наук. 2024.02
[arxiv] Взаимодействие семантической коммуникации и обучения знаниям. 2024.02
[arxiv] GUARD: Ролевая игра для создания джейлбрейков на естественном языке для проверки соответствия рекомендациям больших языковых моделей. 2024.02
[arxiv] Отрисовка графов для графического рассуждения в мультимодальных моделях большого языка. 2024.02
[arxiv] Оценка LLM — мультимодальная диагностика на основе медицинских изображений и анализа симптомов. 2024.02
[EACL 2024] Выделение контекстуализации из большой языковой модели для завершения графа знаний. 2024.02
[EACL 2024] Сравнительный анализ моделей разговорного большого языка при генерации текста на основе знаний. 2024.02
[arxiv] Сбор символических знаний в режиме реального времени с помощью больших языковых моделей. 2024.02 [Репо]
[arxiv] Эффективное обнаружение ошибок в ядрах графовых баз данных: подход на основе LLM. 2024.02
[arxiv] Две головы лучше, чем одна: интеграция знаний из графов знаний и больших языковых моделей для выравнивания сущностей. 2024.01
[arxiv] Сравнительный анализ больших языковых моделей при атрибуции ответов на сложные вопросы с использованием графиков знаний. 2024.01
[arxiv] Исследование пути с подсказками: эффективная система вопросов и ответов базы знаний с низким потреблением вычислительных ресурсов. 2024.01
[AAAI 2024] KAM-CoT: мультимодальное мышление, дополненное знаниями. 2024.01
[arxiv] Контекст имеет значение: расширяя границы генерации открытых ответов с помощью контекста знаний, структурированного в виде графов. 2024.01
[arxiv] Поддержка решений учащихся по рекомендациям по обучению: чат-бот на базе LLM с контекстуализацией графа знаний для пояснения в разговоре и наставничества. 2024.01
[arxiv] Извлечение знаний о последовательностях событий из больших языковых моделей. 2024.01
[ACL 24] Большие языковые модели могут обучать временному рассуждению. 2024.01 [Репо]
[arxiv] Цепочка истории: обучение и прогнозирование с помощью LLM для завершения временного графика знаний. 2024.01
[arxiv] TechGPT-2.0: Большой проект языковой модели для решения задачи построения графа знаний. 2024.01 [Репо]
[arxiv] Оценка больших языковых моделей при семантическом анализе для ответов на разговорные вопросы по графам знаний. 2024.01
[arxiv] Земля плоская? Выявление фактических ошибок в больших языковых моделях. 2024.01
[arxiv] keqing: ответы на вопросы, основанные на знаниях, являются наставником LLM по цепочке мыслей. 2024.01
[arxiv] Quartet Logic: четырехэтапная система рассуждений (QLFR) для продвижения классификации коротких текстов. 2024.01
[arxiv] Ответ на разговорный вопрос с переформулировкой графа знаний. 2023.12
[arxiv] Мышление и извлечение: гипотеза. Граф знаний. Расширенные медицинские модели большого языка. 2023.12
[arxiv] KnowledgeNavigator: использование больших языковых моделей для расширенного рассуждения по сравнению с графом знаний. 2023.12
[arxiv] Городской генеративный интеллект (UGI): основополагающая платформа для агентов в воплощенной городской среде. 2023.12
[arxiv] Нулевая проверка фактов с использованием семантических троек и графов знаний. 2023.12
[arxiv] KGLens: параметризованный граф знаний для оценки того, что знает и чего не знает LLM. 2023.12
[arxiv] LLM-ARK: рассуждения на основе графа знаний с использованием больших языковых моделей посредством глубокого обучения с подкреплением. 2023.12
[arxiv] На пути к надежной помощи в разработке программного обеспечения для искусственного интеллекта. 2023.12
[arxiv] KnowGPT: внедрение знаний в черный ящик для больших языковых моделей. 2023.12
[arxiv] Создание больших языковых моделей для лучшего сбора знаний для онлайн-маркетинга с прогрессивным расширением подсказок. 2023.12
[arxiv] Концептуальная инженерия с использованием больших языковых моделей. 2023.12
[arxiv] За пределами изоляции: мультиагентная синергия для улучшения построения графа знаний. 2023.12
[arxiv] Извлечение триплетов графа знаний с нулевым и малым количеством снимков с помощью больших языковых моделей. 2023.12
[arxiv] Об исследовании логических возможностей больших языковых моделей с графами знаний. 2023.11
[arxiv] Оптимизированная по графам генерация подсказок для биомедицинских знаний для больших языковых моделей. 2023.11 [Репо]
[arxiv] Подход «график-текст» к генерации основанных на знаниях ответов при взаимодействии человека и робота. 2023.11
[EMNLP 2023]Пересмотр механизмов внедрения знаний. 2023.12
[EMNLP 2023] Имеет ли значение правильность фактических знаний для предварительно обученных языковых моделей с расширенными фактическими знаниями? 2023.12
[EMNLP 2023]ReasoningLM: включение рассуждений на структурных подграфах в предварительно обученных языковых моделях для ответов на вопросы по графу знаний. 2023.12
[Результаты EMNLP 2023]KICGPT: Большая языковая модель со знаниями в контексте для завершения диаграммы знаний. 2023.12
[архив] $R^3$ -NL2GQL: подход гибридных моделей для повышения точности и уменьшения галлюцинаций. 2023.11
[arxiv] Смягчение галлюцинаций большой языковой модели посредством автономной модернизации на основе графа знаний. 2023.11
[EMNLP 2023] Точные настройки LLM «Знайте больше, меньше галлюцинируйте» с помощью пошагового семантического анализа Викиданных. 2023.11
[arxiv] Использование LLM для ответов на вопросы в области научных знаний. 2023.11
[arxiv] Согласование компетентных предпочтений для студентов LLM при ответах на вопросы, специфичные для предметной области. 2023.11
[arxiv] OLaLa: сопоставление онтологий с большими языковыми моделями. 2023.11
[arxiv] Контекстное обучение для ответов на вопросы базы знаний для беспилотных систем на основе больших языковых моделей. 2023.11
[arxiv] Давайте узнаем больше об отношениях API: большая цепочка искусственного интеллекта на основе языковой модели для неконтролируемого вывода отношений API. 2023.11
[arxiv] Форма соответствует функции: Генерация условного графа преобразования текста в текст на основе функциональных требований. 2023.11
[arxiv] Большие языковые модели в сочетании с графами знаний дают ответы на фактические вопросы. 2023.10
[arxiv] Выбор типа кандидата на ответ: языковая модель преобразования текста в текст для закрытой книги. Ответы на вопросы соответствуют графам знаний. 2023.10
[arxiv] Подсказки, основанные на знаниях: оценка и улучшение генерации клинических текстовых данных с помощью больших языковых моделей. 2023.10
[arxiv] DIVKNOWQA: Оценка способности студентов магистратуры к рассуждению посредством ответов на открытые вопросы по базе знаний и тексту. 2023.10
[arxiv] Генеративный дополненный поиском онтологический граф и многоагентные стратегии для интерпретируемого проектирования материалов на основе моделей большого языка. 2023.10
[arxiv] Метод рекомендации мультимодальной экологической цивилизации, основанный на больших языковых моделях и графе знаний. 2023.10
[arxiv] LoRAShear: эффективная структурированная обрезка модели большого языка и восстановление знаний. 2023.10
[arxiv] Агент графа: агент явного рассуждения для графов. 2023.10
[arxiv] Метод понимания контекстной схемы для ответа на вопросы базы знаний. 2023.10
[arxiv] GraphGPT: настройка инструкций графа для больших языковых моделей. 2023.10
[Результаты EMNLP 2023] Систематическая оценка фактических знаний в больших языковых моделях. 2023.10
[Выводы EMNLP 2023] KG-GPT: Общая основа для рассуждений на графах знаний с использованием больших языковых моделей. 2023.10
[arxiv] MechGPT, языковая стратегия для моделирования механики и материалов, которая объединяет знания разных масштабов, дисциплин и модальностей. 2023.10
[arxiv] Qilin-Med: Многоэтапное внедрение знаний, расширенная медицинская модель большого языка. 2023.10
[arxiv] ChatKBQA: платформа создания и последующего получения ответов на вопросы базы знаний с использованием точно настроенных моделей большого языка. 2023.10
[arxiv] От больших языковых моделей к графам знаний для открытия биомаркеров при раке. 2023.10
[arxiv] Повышение производительности больших языковых моделей при дополнении графа знаний. 2023.10
[arxiv] CP-KGC: Заполнение графа знаний с ограниченной подсказкой с помощью больших языковых моделей. 2023.10
[arxiv] PHALM: Построение графа знаний с нуля с помощью подсказок людей и языковой модели. 2023.10
[arxiv] InstructProtein: Согласование человеческого и белкового языка посредством инструкций по знаниям. 2023.10
[arxiv] Большие языковые модели в сочетании с графами знаний дают ответы на фактические вопросы. 2023.10
[arxiv] Кроссворды знаний: геометрические рассуждения над структурированными знаниями с использованием больших языковых моделей. 2023.10
[ICLR 2024] Рассуждение на графах: достоверное и интерпретируемое рассуждение на основе модели большого языка. 2023.10 [Репо]
[arxiv] RelBERT: Встраивание отношений в языковые модели. 2023.10
[arxiv] Сравнительный анализ возможностей больших языковых моделей для создания и понимания графа знаний RDF: насколько хорошо студенты LLM говорят на черепаховом языке? 2023.09
[arxiv] Давайте пообщаемся, чтобы найти API: соединение человека, LLM и сети знаний через цепочку искусственного интеллекта. 2023.09
[arxiv] Нейронные подсказки на основе графов с использованием больших языковых моделей. 2023.09
[arxiv] Подход к представлению знаний для моделирования знаний строительного контракта. 2023.09
[arxiv] Получить-переписать-ответ: расширенная структура LLM для преобразования KG в текст для ответов на вопросы в области знаний. 2023.09
[arxiv] «Объединить конфликты!» Исследование влияния внешних отвлекающих факторов на параметрические графы знаний. 2023.09
[arxiv] FactLLaMA: Оптимизация языковых моделей следования инструкциям с использованием внешних знаний для автоматической проверки фактов. 2023.09
[arxiv] ChatRule: анализ логических правил с помощью больших языковых моделей для рассуждений на основе графа знаний. 2023.09
[AAAI 2024] Контекстное обучение в стиле кода для ответов на вопросы, основанные на знаниях. 2023.09
[arxiv] Раскрытие возможностей обучения графов с помощью автономных агентов на основе LLM. 2023.09
[arxiv] Настройка больших языковых моделей со структурированными базами медицинских знаний для надежной генерации ответов на китайском языке. 2023.09
[arxiv] Решатель знаний: обучение студентов LLM поиску знаний предметной области из графиков знаний. 2023.09
[arxiv] Соединение биомедицинских объектов с помощью предварительной подготовки с тройным осознанием. 2023.08
[arxiv] Исследование больших языковых моделей для завершения диаграммы знаний. 2023.08 [Репо]
[arxiv] Разработка масштабируемого эталона для оценки больших языковых моделей в инженерии графов знаний. 2023.08
[arxiv] Использование графа медицинских знаний в больших языковых моделях для прогнозирования диагноза. 2023.08
[arxiv] LKPNR: LLM и KG для системы рекомендаций по персонализированным новостям. 2023.08
[arxiv] График знаний, подсказка для ответа на вопросы по нескольким документам. 2023.08
[arxiv] Голова к хвосту: насколько хорошо осведомлены модели больших языков (LLM)? AKA Смогут ли LLM заменить графики знаний? 2023.08
[arxiv] MindMap: график знаний, вызывающий искры графика мыслей в больших языковых моделях. 2023.08
[arxiv] К семантически обогащенным вложениям для завершения графа знаний. 2023.07
[TKDE 2024] AutoAlign: полностью автоматическое и эффективное выравнивание диаграмм знаний, обеспечиваемое большими языковыми моделями. 2023.07
[arxiv] Использование больших языковых моделей для нулевой генерации естественного языка на основе графов знаний. 2023.07
[ICLR 2024] Мышление на графике: глубокое и ответственное обоснование большой языковой модели с графом знаний. 2023.07
[Исследования SIGKDD 2024] Исследование потенциала больших языковых моделей (LLM) в обучении на графах. 2023.07
[arxiv] Исследование модели большого языка для понимания графических данных в онлайн-рекомендациях по работе. 2023.07
[arxiv] RecallM: архитектура для понимания временного контекста и ответов на вопросы. 2023.07
[arxiv] Разработка графов знаний с помощью LLM: эксперименты с ChatGPT. 2023.07
[arxiv] Итеративный нулевой LLM, побуждающий к построению графа знаний. 2023.07
[arxiv] Снеговик: миллионная китайская диаграмма знаний, основанная на здравом смысле, полученная на основе базовой модели. 2023.06
[arxiv] Языковая модель с расширенными знаниями, предлагающая ответы на вопросы с нулевым шансом на граф знаний. 2023.06
[arxiv] Точная настройка языковых моделей крупных предприятий с помощью онтологических рассуждений. 2023.06
[NeurIPS 2023] Дистилляция рассуждений, дополненных знаниями, для моделей малого языка в наукоемких задачах. 2023.05
[arxiv] Улучшение построения графов знаний с использованием больших языковых моделей. 2023.05
[arxiv] ChatGraph: интерпретируемая классификация текста путем преобразования знаний ChatGPT в графики. 2023.05
[ACL 2023] FactKG: Проверка фактов посредством рассуждений на графах знаний. 2023.05
[arxiv] HiPrompt: кратковременное объединение биомедицинских знаний посредством иерархически-ориентированных подсказок. 2023.04
[EMNLP 2023] StructGPT: общая основа для большой языковой модели для анализа структурированных данных. 2023.05
[ICLR 2024] Использование объяснений: интерпретатор LLM-LM для расширенного обучения представлению графов с атрибутами текста. 2023.05
[arxiv] Магистр права по построению и рассуждению графов знаний: последние возможности и будущие возможности. 2023.05 [Репо]
[NeurIPS 2023] Могут ли языковые модели решать задачи с графами на естественном языке? 2023.05
[arxiv] Модели завершения графа знаний — это малообучаемые ученики: эмпирическое исследование маркировки отношений в электронной коммерции с LLM. 2023.05
[arxiv] Могут ли большие языковые модели генерировать явные негативные утверждения? 2023.05
[arxiv] GPT4Graph: Могут ли большие языковые модели понимать структурированные данные в виде графов? Эмпирическая оценка и бенчмаркинг. 2023.05
[arxiv] Сложные логические рассуждения над графами знаний с использованием больших языковых моделей. 2023.05 [Репо]
[arxiv] Причинное рассуждение и большие языковые модели: открывая новые границы причинности. 2023.04
[arxiv] Могут ли большие языковые модели строить причинно-следственные графы? 2023.04
[arxiv] Использование нескольких графов знаний RDF для расширения ответов ChatGPT. 2023.04
[arxiv] Graph-ToolFormer: расширить возможности LLM с помощью графических рассуждений с помощью подсказок, дополненных ChatGPT. 2023.04
[arxiv] Структурированный быстрый опрос и рекурсивное извлечение семантики (SPIRES): метод заполнения баз знаний с использованием нулевого обучения. 2023.04 [Репо]

Ресурсы и бенчмаркинг

[arxiv] STaRK: Сравнительный анализ поиска LLM в текстовых и реляционных базах знаний. 2024.04 [Репо]
[arxiv] RareBench: Могут ли студенты магистратуры выступать в качестве специалистов по редким заболеваниям? 2024.02
[arxiv] Сравнительный анализ больших языковых моделей при атрибуции ответов на сложные вопросы с использованием графиков знаний. 2024.01
[ACL 24] Большие языковые модели могут обучать временному рассуждению. 2024.01 [Репо]
[arxiv] AbsPyramid: Сравнительная оценка способности языковых моделей к абстракции с помощью унифицированного графа следствий. 2023.11
[arxiv] Тест для понимания роли графов знаний в точности большой языковой модели для ответов на вопросы в корпоративных базах данных SQL. 2023.11
[arxiv] На пути к проверяемой генерации: эталон для атрибуции языковой модели с учетом знаний. 2023.10
[EMNLP 2023] MarkQA: крупномасштабный набор данных KBQA с численным обоснованием. 2023.10
[CIKM 2023] Обогащение онтологий из текстов: набор биомедицинских данных для обнаружения и размещения концепций. 2023.06
[arxiv] Xiezhi: постоянно обновляемый эталон для комплексной оценки знаний предметной области. 2023.06
[Демонстрация системы AACL 2023] LambdaKG: библиотека для предварительно обученных языковых встраиваний в графы знаний на основе моделей 2023.03 [Репо]
[arxiv] Построение парных наборов данных граф-текст знаний на основе циклической оценки. 2023.09
[arxiv] От больших языковых моделей к графам знаний для открытия биомаркеров при раке. 2023.10
[ISWC 2023] Text2KGBench: эталон для создания графов знаний на основе онтологий из текста. 2023.08

Вклад

Авторы

? Участие (приветствуем!)

Добавьте новую статью или обновите существующую статью LLM, связанную с КР.
? Для описания работы используйте тот же формат, что и существующие записи.
? Рекомендуется (не обязательно) дать очень краткое объяснение, почему вы считаете, что статью следует добавить или обновить, посредством Adding Issues или Pull Requests .

Не волнуйтесь, если вы что-то поставите не так, это будет исправлено за вас. Просто не стесняйтесь вносить свой вклад и продвигать здесь свою потрясающую работу! ? Мы свяжемся с вами вовремя ~

? Цитировать:

Если этот репозиторий полезен для вас, рассмотрите возможность цитирования нашей статьи. Мы будем очень признательны :)

 @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}
}

Расширять