来源：期刊VIP网 时间：
作者：黄勃;吴申奥;王文广;杨勇;刘进;张振华;陈南希;杨洪山;
单位：上海工程技术大学电子电气工程学院;达观数据有限公司;上海宝信软件股份有限公司;武汉大学计算机学院;中国科学院上海微系统与信息技术研究所;星环信息科技(上海)股份有限公司;
摘要：大模型（LLM）的兴起在自然语言处理领域引起了广泛关注，其涌现能力在各个垂直领域（如金融、医疗、教育等）也取得一定进展。然而，大模型自身面临解释性不足、知识实时性差、生成结果存在虚假信息等诸多挑战。为了应对这些问题，知识图谱与大模型的融合逐渐成为了研究热点。知识图谱作为一种结构化的知识模型，其真实性和可靠性，成为提高大模型解释和推理能力的有力工具。同时大模型具备语义理解能力，为知识图谱的构建和更新提供了有力支持。因此，知识图谱和大模型是互补的（本文称为图模互补）。本文系统性地介绍知识图谱与大模型融合的方法，分别从1）大模型增强知识图谱，2）知识图谱增强大模型两个角度进行全面回顾和分析。最后，本文从医学诊断预测和时间知识图谱出发，介绍图模互补的领域应用，并讨论图模互补未来发展的方向，为知识图谱与大模型的进一步研究提供帮助。
关键词：大模型;;知识图谱;;自然语言处理
基金资助：科技部科技创新2030“新一代人工智能”重大项目（2020AAA0109300）;; 上海地方能力建设项目（21010501500）;; 上海市科技创新行动计划（21DZ1204900）
