[论文解读] On the Evolution of Knowledge Graphs: A Survey and Perspective

Xuhui Jiang, Chengjin Xu+7 more|arXiv (Cornell University)|Oct 7, 2023

Cognitive Computing and Networks被引用 6

一句话总结

本综述系统梳理了知识图谱从静态到动态、时序性及事件驱动形式的演进历程，分析了相应知识抽取与推理技术。提出将大语言模型（LLMs）与知识图谱结合，以克服事实准确性、时序推理及知识完备性方面的局限，凸显未来人工智能系统中二者协同发展的潜力。

ABSTRACT

Knowledge graphs (KGs) are structured representations of diversified knowledge. They are widely used in various intelligent applications. In this article, we provide a comprehensive survey on the evolution of various types of knowledge graphs (i.e., static KGs, dynamic KGs, temporal KGs, and event KGs) and techniques for knowledge extraction and reasoning. Furthermore, we introduce the practical applications of different types of KGs, including a case study in financial analysis. Finally, we propose our perspective on the future directions of knowledge engineering, including the potential of combining the power of knowledge graphs and large language models (LLMs), and the evolution of knowledge extraction, reasoning, and representation.

研究动机与目标

• 提供对知识图谱从静态到动态、时序性及事件驱动形式演进过程的系统性综述。
• 分析并分类适用于各类演进型知识图谱的知识抽取与推理技术。
• 探讨知识图谱的实际应用场景，包括一项金融分析案例研究。
• 识别知识工程领域的未来研究方向，特别是知识图谱与大语言模型（LLMs）的融合。

提出的方法

• 将知识图谱划分为四类：静态（SKG）、动态（DKG）、时序（TKG）和事件驱动（EKG），并提供形式化定义与符号表示。
• 回顾命名实体识别（NER）、关系抽取与事件抽取等知识抽取技术，强调其在适配各类演进型KG时的演变。
• 将知识推理方法分类为静态（SKGR）、动态（DKGR）与时序（TKGR）推理，阐述其在完备性与时效性方面不断演进的范式。
• 提出一种双向集成框架：利用LLMs实现知识图谱的自动化构建与质量控制，同时利用KG增强LLM的推理能力并减少幻觉现象。
• 分析LLMs面临的主要挑战，如时序遗忘、信息平均化与校准不足，并与TKG和EKG在处理时间敏感与事件相关事实方面的优势进行对比。
• 提出未来研究方向，包括神经符号推理、图神经网络融合，以及面向LLMs的改进知识编码策略。

实验结果

研究问题

• RQ1 静态、动态、时序性与事件驱动型知识图谱在结构与功能特征上存在哪些差异？其演进的驱动力是什么？
• RQ2 针对各类演进型知识图谱，哪些是关键的知识抽取技术？这些技术如何随自然语言处理与LLMs的发展而演进？
• RQ3 知识推理方法如何适应演进型知识图谱的动态与时序特性？现有方法存在哪些局限？
• RQ4 LLMs在处理时序性与事件中心知识时面临的主要挑战是什么？知识图谱如何缓解这些问题？
• RQ5 在提升事实准确性、推理能力与可扩展性方面，知识图谱与大语言模型之间最具前景的集成模式是什么？

主要发现

• 知识图谱已从静态表示演进为动态、时序性及事件驱动形式，以应对早期系统在时效性与完备性方面的局限。
• 随着大语言模型的兴起，知识抽取技术已取得显著进步，实现了从非结构化文本中更高效、可扩展的无监督知识获取。
• 时序知识图谱（TKGs）在处理时间敏感事实方面优于LLMs，因其具备显式的时序标注，有效缓解了时序遗忘与校准不足等问题。
• 事件知识图谱（EKGs）在建模事件之间的因果与时序关系方面至关重要，而LLMs因缺乏结构化事件数据，当前在该能力上表现不足。
• LLMs在事实一致性方面面临重大挑战，尤其在推理历史或时间限定事实时，由于冲突信息的平均化与知识衰减，导致表现不稳定。
• KG与LLMs的融合为未来发展提供了协同路径：LLMs可增强KG的构建与质量控制，而KG则能提升LLM的推理能力、减少幻觉，并提供结构化知识库以支持更可靠的推理。