图为LLMs和KGs的优缺点
领知识图谱+大模型前沿论文&授课PPT原稿
导师推荐知识图谱前沿论文
讲师介绍:Hank老师
–研究领域:自然语言处理技术与方法,如语言理解、语言生成、语言匹配与推理以及知识图谱表征推理和多模态表示学习等。 –共发表10余篇SCI国际期刊、EI会议论文和CCF-A类会议论文, 发明专利申请和授权10余项。 –指导公司实习生10余人,善于挖掘学生兴趣,尊重学生选择,理论和实战结合。
课程大纲:
第1节:知识图谱与LLMs融合简介 1、大规模语言模型(LLM)回顾 2、知识图谱与LLM融合原因 3、知识图谱与LLM融合方式 第2节:知识图谱增强的LLMs 1、简述知识图谱及其组成要素 2、知识图谱增强的LLM方法与技术 第3节:知识图谱增强的LLMs垂直应用分享 1、智能问答系统中的应用 2、文本生成任务中的应用 3、信息检索与知识推理的案例
领知识图谱+大模型前沿论文&授课PPT原稿
大语言模型与知识图谱融合的前瞻性路线图包括三个一般的框架:
1)KG增强的LLMs,在LLMs的预训练和推理阶段加入KGs,或者为了加强对LLMs所学知识的理解;
2)LLM增强的KG,利用LLM完成不同的KG任务,如嵌入、完成、构建、图文生成和问题回答;
3)协同的LLM+KG,其中LLM和KG扮演同样的角色,以互利的方式工作,以增强LLM和KG的双向推理,由数据和知识驱动。
领知识图谱+大模型前沿论文&授课PPT原稿
导师推荐知识图谱前沿论文
-
LLMs中用于检测幻觉的KGs
-
用于编辑LLM中知识的KGs
-
用于LLMs的KGs知识注入
-
多模态LLMs for KGs
-
理解KG结构的LLMs
-
双向推理的协同LLM和KGs
右滑查看近期学院中稿部分展示
领知识图谱+大模型前沿论文&授课PPT原稿
文末福利