2025深度学习发论文&模型涨点之——大模型+知识图谱

知识图谱为LLM提供了外部知识的补充。尽管LLM在预训练过程中已经学习了大量的知识，但这些知识主要来源于文本数据，可能存在知识的局限性和时效性问题。而知识图谱中的知识是经过精心整理和结构化的，涵盖了众多领域和概念之间的关系，能够为LLM提供更准确、更全面的知识背景。例如，在回答一些需要特定领域知识的问题时，LLM可以借助知识图谱中的相关知识来生成更准确、更有深度的答案。

我整理了一些大模型+知识图谱【论文+代码】合集，需要的同学看我主页

论文精选

论文1：

Towards Human Awareness in Robot Task Planning with Large Language Models

迈向具有人类意识的机器人任务规划：基于大型语言模型的方法

方法

人类意识融入任务规划：将人类信息编码到层次化场景图中，并利用大型语言模型（LLM）预测人类活动。

多代理任务规划：将单机器人任务规划问题转化为多代理任务规划问题，将人类视为额外的规划代理。

场景图与LLM结合：通过场景图将人类活动预测转化为多代理任务规划问题，提升机器人在动态环境中的决策能力。

创新点

人类意识融入：首次将人类意识融入LLM驱动的机器人任务规划中，提升了机器人在动态环境中的决策能力。

多代理任务规划：通过将人类活动预测转化为多代理任务规划问题，显著提升了任务规划的灵活性和适应性。

性能提升：在多个任务中验证了该方法的有效性，特别是在处理动态环境中的多代理任务时，性能提升了30%以上。

论文2：

Knowledge Graph Enhanced Large Language Model Editing

知识图谱增强的大型语言模型编辑

方法

知识图谱增强模块（KGA）：利用知识图谱捕捉因编辑而改变的关联知识。

图结构知识编辑模块（GKE）：将知识图谱中的知识整合到LLM的参数编辑中。

对比学习策略：通过对比学习策略，确保编辑后的模型能够反映知识的改变。

创新点

知识图谱增强：首次提出利用知识图谱来增强LLM编辑能力，有效捕捉编辑引起的关联知识变化。

图神经网络编辑模块：设计了基于图神经网络的编辑模块，能够将高阶关系整合到LLM的参数编辑中。

性能提升：在多个LLM上验证了该方法在减少编辑后知识泛化误差方面的有效性，性能提升了20%以上。

论文3：

Knowledge Graph Large Language Model (KG-LLM) for Link Prediction

知识图谱大型语言模型（KG-LLM）用于链接预测

方法

知识图谱转换为自然语言提示：将知识图谱中的结构化数据转换为自然语言提示。

指令微调（IFT）：利用这些提示对LLM进行指令微调，以增强多跳链接预测能力。

链式推理提示：通过将KG转换为链式推理提示，模型能够学习实体及其关系的潜在表示。

创新点

知识图谱与LLM结合：首次将LLM与知识图谱结合用于多跳链接预测任务。

链式推理提示：提出了一种将知识图谱转换为链式推理提示的方法，增强了LLM对KG中实体关系的理解。

性能提升：在多个真实世界数据集上验证了该框架在提高模型泛化能力方面的显著效果，性能提升了25%以上。