访问官网
Github
Huggingface
文档
论文KG-LLM-Papers 项目简介
KG-LLM-Papers 项目汇集了一系列关于融合知识图谱（KGs）与大型语言模型（LLMs）的论文。这些论文探索了在大语言模型时代，知识图谱可以扮演什么角色，以及语言模型如何利用知识图谱提升其性能。因此，这个项目对学术界和产业界感兴趣这一领域的研究人员和从业者极具参考价值。
项目的目标
KG-LLM-Papers 项目的主要目标是收集并分类与知识图谱和大型语言模型相结合的最新研究成果。这包括已经发表的以及预印本的论文，涵盖不同的研究方向和应用领域。研究人员和开发者可以通过这个资源库快速了解这一前沿领域的研究进展，并为其自身的工作提供启发。
如何贡献
该项目欢迎研究人员和开发者通过添加问题（Issues）或拉取请求（Pull Requests）的方式，推荐相关领域中缺失的论文。这种开源协作的方式，确保了项目内容的全面性和及时更新。
最新动态
- 2024年5月：我们的论文《Knowledgeable Preference Alignment for LLMs in Domain-specific Question Answering》已被 ACL 2024 接收。
- 2024年2月：发表最新的调查研究《Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey》。
- 2023年10月：预印本《Making Large Language Models Perform Better in Knowledge Graph Completion》发布。
项目内容
项目分类整理了大量相关论文，按不同主题进行细分，主要分为调查研究、方法学和资源及基准测试。
论文
调查研究
一些关键的调查论文包括：
- 知识图谱与多模态学习的结合（2024年2月）：探讨知识图谱与多模态学习的结合前景。
- 知识图谱能否减少大型语言模型的幻觉？（2023年11月）：讨论知识图谱在减少语言模型幻觉可能性的研究。
方法学
在方法学方面，该项目收录了大量关于如何在知识图谱中应用大语言模型的方法。部分研究课题包括：
- 图上解码：通过生成良好形成的推理链，进行可靠的知识图谱推理。
- 零样本知识图谱推理：探讨在知识图谱上进行零次推理的潜力。
资源和基准测试
项目还收集了多种资源和基准测试方法，以辅助研究人员进行相关领域的实验与验证。
总结
KG-LLM-Papers 项目通过广泛收集与分类整理，提供了一个全面的知识库，涵盖知识图谱与大型语言模型结合的最新研究进展。无论是学术研究还是产业创新，该项目都可以作为一个宝贵的参考资源，为相关领域的深入研究和应用开发提供支持。项目鼓励社区参与，以确保持续更新与拓展。
