本文共 2761 字，大约阅读时间需要 9 分钟。

2025深度学习发论文与模型涨点之——LLM+知识图谱

近年来，大型语言模型（LLMs）与知识图谱（Knowledge Graphs, KGs）的融合研究已成为人工智能领域的前沿方向。LLMs凭借其强大的生成能力和语义理解优势，在自然语言处理任务中表现出色；而知识图谱则以结构化的方式存储实体及其关系，提供可解释的符号化知识表示。然而，两者各自存在显著局限性：LLMs面临幻觉（hallucination）、知识更新滞后以及推理过程不透明等问题；知识图谱则受限于构建成本高、覆盖率不足以及语义灵活性欠缺等挑战。因此，如何实现LLMs与KGs的协同互补，构建兼具神经网络的泛化能力与符号系统可解释性的新型架构，已成为学术界与工业界共同关注的核心议题。

论文精我整理了一些时间序列可解释性【论文+代码】合集，需要的同学公人人人号【航识无涯学术】发123自取。

论文1：Think-on-Graph：知识图谱上大型语言模型的深度和负责任的推理

方法：

LLM ⊗ KG 范式：提出了一种新的 LLM 和知识图谱（KG）紧密结合的范式，将 LLM 视为代理，通过与知识图谱的交互式探索来执行推理。

Think-on-Graph（ToG）框架：实现了 LLM ⊗ KG 范式，通过迭代执行束搜索（beam search）来发现最有希望的推理路径，并返回最有可能的推理结果。

动态探索和推理：ToG 在知识图谱上动态探索多个推理路径，并根据当前推理路径的评估结果决定是否继续探索或生成答案。

知识可追溯性和可修正性：利用 LLM 的推理和专家反馈，ToG 提供了知识的可追溯性和可修正性，能够追溯推理路径并修正错误。

创新点：

深度推理能力：ToG 通过从知识图谱中提取多样化的多跳推理路径，显著提升了 LLM 在知识密集型任务中的深度推理能力。例如，在 WebQSP 数据集上，ToG 的准确率达到了 76.2%，比仅使用 LLM 的方法（如 CoT）高出 14.0%。

知识的可追溯性和可修正性：ToG 明确的推理路径提高了 LLM 推理过程的可解释性，并允许追溯和修正模型输出的来源。这不仅提高了推理的透明度，还通过用户反馈进一步提升了知识图谱的质量。

灵活性和效率：ToG 是一个即插即用的框架，可以无缝应用于不同的 LLMs 和知识图谱，无需额外的训练成本。此外，ToG 通过减少对大型 LLM 的依赖，降低了部署成本。例如，使用较小的 Llama-2 模型时，ToG 的性能甚至超过了大型的 GPT-4 模型。

性能提升：ToG 在多个数据集上实现了显著的性能提升。例如，在 GrailQA 数据集上，ToG 的准确率达到了 81.4%，比之前的最佳方法（如 StructGPT）高出 11.4%。

论文2：OneEdit：一个神经符号协作式知识编辑系统

方法：

神经符号知识编辑：OneEdit 结合了符号知识图谱（KG）和神经大型语言模型（LLM），通过自然语言交互实现知识管理。

三个主要模块：

• 解释器（Interpreter）：负责理解用户的自然语言输入，并将其转换为知识图谱中的知识三元组。
• 控制器（Controller）：管理来自不同用户的编辑请求，利用知识图谱解决知识冲突，并防止有害的知识攻击。
• 编辑器（Editor）：利用控制器提供的知识来编辑知识图谱和 LLM。

知识冲突解决：通过引入知识图谱的回滚机制，OneEdit 能够处理知识冲突，确保知识的一致性和准确性。

知识增强：通过知识图谱的逻辑规则，OneEdit 能够增强编辑后的知识，提高模型对多跳推理问题的理解能力。

创新点：

知识冲突解决：OneEdit 通过知识图谱的回滚机制，有效解决了知识冲突问题。例如，在处理多用户编辑时，OneEdit 的局部性（Locality）指标达到了 0.952，显著高于其他方法（如 ROME 的 0.040）。

知识增强：通过逻辑规则增强编辑后的知识，OneEdit 提高了模型对多跳推理问题的理解能力。例如，在 GPT-J-6B 模型上，OneEdit 的单跳推理（One-Hop）指标达到了 0.958，比未使用逻辑规则的方法高出 0.557。

性能提升：OneEdit 在多个数据集上实现了显著的性能提升。例如，在处理美国政治人物数据集时，OneEdit 的平均性能指标达到了 0.973，比其他方法（如 ROME 和 MEMIT）高出 0.247。

效率提升：OneEdit 通过空间换时间的编辑策略，显著降低了内存和时间开销。例如，在处理 GPT-J-6B 模型时，OneEdit 的时间开销比 MEMIT 降低了 40%，内存开销比 GRACE 降低了 6GB。

论文3：Plan-on-Graph：知识图谱上大型语言模型的自校正自适应规划

方法：

自校正自适应规划范式：提出了 Plan-on-Graph（PoG），一种新的自校正自适应规划范式，通过分解问题为多个子目标，并重复探索推理路径、更新记忆和反思是否需要自校正错误的推理路径。

三个关键机制：

• 引导（Guidance）：通过分解问题为子目标，PoG 利用问题中的条件更好地指导自适应探索。
• 记忆（Memory）：记录和更新子图、推理路径和子目标状态，为反思提供历史检索和推理信息。
• 反思（Reflection）：基于记忆中的信息，PoG 判断是否需要自校正当前的推理路径，并决定回溯到哪些实体以启动新的探索。

动态推理路径探索：PoG 通过灵活的探索宽度和基于问题语义的自适应探索，动态地探索知识图谱中的推理路径。

自校正机制：PoG 在发现信息不足时，能够通过反思机制自校正错误的推理路径，避免在错误路径上继续探索。

创新点：

自校正机制：PoG 是首个引入自校正机制的 KG 增强型 LLM，能够动态地纠正错误的推理路径。例如，在 CWQ 数据集上，PoG 的准确率达到了 63.2%，比不使用自校正机制的方法（如 ToG）高出 5.1%。

动态推理路径探索：PoG 通过灵活的探索宽度和基于问题语义的自适应探索，显著提高了推理效率。例如，在 WebQSP 数据集上，PoG 的平均 LLM 调用次数比 ToG 降低了 43.4%，推理时间缩短了 73.8%。

性能提升：PoG 在多个数据集上实现了显著的性能提升。例如，在 GrailQA 数据集上，PoG 的准确率达到了 84.7%，比之前的最佳方法（如 ToG）高出 3.3%。

效率提升：PoG 在推理过程中显著降低了 LLM 的调用次数和时间开销。例如，在 CWQ 数据集上，PoG 的总 token 消耗比 ToG 降低了 15.6%，推理时间缩短了 76.0%。

转载地址：http://qprfk.baihongyu.com/