大语言模型与知识图谱之间存在着密切的联系和互补性。当前大语言模型在数据真实性、可解释性、可扩展性等方面存在一定的局限性。知识图谱作为一种结构化的知识表示方法，可以与大语言模型相结合，为大语言模型提供丰富和准确的背景知识。通过结合图谱中的结构化知识信息，可以实现对大语言模型更可靠和准确的知识获取和应用。近年来，虽然大语言模型与知识图谱各领域均取得了显著进展，但仍有许多待解问题，尤其缺乏关于二者交叉融合的新方法与新领域的研究。
为了促进大语言模型与知识图谱相关理论与方法的研究，特别设立“大语言模型与知识图谱”专题。本专题围绕大语言模型与知识图谱，探讨新型知识建模理论、方法和技术，探究类ChatGPT语言大模型与知识图谱相互作用而实现“神经+符号”结合的可能途径，形成大语言模型与知识图谱相结合的新理论、新思路、新技术和新系统，推动该技术在自然语言处理、信息检索、问答系统等领域的进一步应用。
本专题在《计算机科学与探索》2023年第10期发表了6篇论文，概述如下：
基于图神经网络的实体对齐表示学习方法比较研究
彭 鐄，曾维新，周 杰，唐九阳，赵 翔
国防科技大学 大数据与决策实验室，长沙 410073
介绍：论文对知识图谱实体对齐中的表示学习方法进行了研究综述。首先基于现有方法，提出了一个通用的表示学习框架，并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构。接着通过实验对这些工作进行了对比分析，并对框架中各个模块的常见方法进行了比较。根据实验结果，总结了各种方法的优劣，并提出了使用建议。最后初步讨论了大规模语言模型与知识图谱对齐融合的可行性，并分析了存在的问题以及潜在的挑战。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2307053
引用格式：彭鐄, 曾维新, 周杰, 等. 基于图神经网络的实体对齐表示学习方法比较研究[J]. 计算机科学与探索, 2023, 17(10): 2343-2357.
面向知识图谱和大语言模型的因果关系推断综述
李 源1，马新宇1，杨国利2，赵会群2，宋 威1
1. 北方工业大学 信息学院，北京 100144
2. 北京大数据先进技术研究院，北京 100195
介绍：论文将不同的因果关系推断方法按照面向样本观测数据、文本数据、知识图谱和大语言模型进行分类，在每个分类中，对经典的研究工作从其问题定义、解决方法、贡献和不足等方面进行了细致的分析。同时，对因果关系推断方法与知识图谱和大语言模型相结合的研究进展进行了重点讨论。从效率和成本角度分析和比较了不同因果推断方法，总结归纳了知识图谱和大语言模型在因果关系推断任务中的具体应用。最后，对知识图谱和大模型相结合的因果关系推断的未来发展方向进行了展望。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2307065
引用格式：李源, 马新宇, 杨国利, 等. 面向知识图谱和大语言模型的因果关系推断综述[J]. 计算机科学与探索, 2023, 17(10): 2358-2376.
大语言模型融合知识图谱的问答系统研究
张鹤译1，王 鑫1，韩立帆1，李 钊1，陈子睿1，陈 哲2
1. 天津大学 智能与计算学部，天津 300354
2. 天津中医药大学 循证医学中心，天津 301617
介绍：论文以中医药方剂领域的应用为例，收集领域相关数据并对数据进行预处理，基于大语言模型和知识图谱设计了一套垂直领域的问答系统。该系统具备信息过滤、专业问答和抽取转化的能力，能够过滤出垂直领域相关问题，基于大语言模型和自建知识库来生成更具备专业知识的回答，还能利用生成的自然语言回答，从中抽取出结构化知识，并和专业知识图谱匹配以进行专业验证。同时可以将结构化知识转化成易读的自然语言，实现了大模型与知识图谱的深度结合。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2308070
引用格式：张鹤译, 王鑫, 韩立帆, 等. 大语言模型融合知识图谱的问答系统研究[J]. 计算机科学与探索, 2023, 17(10): 2377-2388.
面向医疗问答系统的大语言模型命名实体识别方法
杨 波1，2，孙晓虎1，党佳怡1，赵海燕3，4，金 芝3，4
1. 北京林业大学 信息学院，北京 100083
2. 国家林业和草原局林业智能信息处理工程技术研究中心，北京 100083
3. 北京大学 计算机学院，北京 100871
4. 高可信软件技术教育部重点实验室（北京大学），北京 100871
介绍：论文提出了一种基于大语言模型的实体识别应用方法，并且将其应用到医疗问题系统中。首先将医疗问答相关的数据集进行处理，变成大语言模型能够分析和处理的文本；其次针对大语言模型的输出进行分类，并对不同的分类采取相应的处理方法；然后将输入的文本进行意图识别，最终将实体识别和意图识别的结果发送到医疗知识图谱中进行查询，得到医疗问答的答案。在3个典型的数据集上进行了实验，并与几种典型的相关方法进行了对比，结果显示所提出的方法表现效果更好。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2307061
引用格式：杨波, 孙晓虎, 党佳怡, 等. 面向医疗问答系统的大语言模型命名实体识别方法[J]. 计算机科学与探索, 2023, 17(10): 2389-2402.
基于大规模语言模型的知识图谱可微规则抽取
潘雨黛1，2，张玲玲1，2，蔡忠闽3，赵天哲1，2，魏笔凡1，2，刘 均1，2
1. 西安交通大学 计算机科学与技术学院，西安 710049
2. 陕西省大数据知识工程重点实验室，西安 710049
3. 西安交通大学 系统工程研究所，西安 710049
介绍：论文提出了一种基于大规模预训练语言模型的知识图谱可微规则抽取方法DRaM，将离散的一阶逻辑规则与连续的向量空间进行融合。针对规则中的原子公式顺序对推理过程产生的影响，通过引入大规模预训练语言模型对推理过程进行编码来解决。实验结果表明，DRaM能够有效地解决知识图谱上可微推理存在的问题，并且可以从推理过程中抽取带有置信度的一阶逻辑规则。DRaM不仅通过一阶逻辑规则增强了推理效果，同时增强了方法的可解释性。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2306049
引用格式：潘雨黛, 张玲玲, 蔡忠闽, 等. 基于大规模语言模型的知识图谱可微规则抽取[J]. 计算机科学与探索, 2023, 17(10): 2403-2412.
基于ChatGPT的电信诈骗案件类型影响力评估
裴炳森，李 欣，吴 越
中国人民公安大学 信息网络安全学院，北京 100038
介绍：论文提出了一种基于ChatGPT的电信诈骗案件类型影响力评估方法。首先利用ChatGPT通过多轮问答的形式对电信诈骗案件文本语料进行数据预处理和知识抽取，低资源、快速及时地构建电信诈骗领域的案件知识图谱，并基于知识图谱统计分析案发时间、涉案金额、涉案事主人数等各类因素，把不同案件类型的影响抽象为影响因子，用影响因子刻画案发趋势与发案特征，以进行综合分析和研判。通过对现有案例数据进行分析，计算案件类型影响因子，得到了不同案件类型的影响因子变化，验证了影响因子计算方法的科学性与有效性。
链接：http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2306044
引用格式：裴炳森, 李欣, 吴越. 基于ChatGPT的电信诈骗案件类型影响力评估[J]. 计算机科学与探索, 2023, 17(10): 2413-2425.
王国仁，北京理工大学计算机学院教授、博士生导师，《计算机科学与探索》编委。研究方向：不确定数据管理、数据密集型计算、可视媒体数据管理与分析、非结构化数据管理、分布式查询处理与优化技术、生物信息学等。
王昊奋，同济大学特聘研究员，中国计算机学会理事、中国计算机学会术语审定工作委员会副主任、中国计算机学会技术前沿委员会知识图谱SIG主席、中国中文信息学会语言与知识计算专业委员会副秘书长、上海市计算机学会青年工作委员会副主任。研究方向：人工智能、知识图谱、自然语言处理、对话式用户交互、智能内容生成。
王鑫，天津大学智能与计算学部教授、博士生导师，中国计算机学会杰出会员、中国计算机学会信息系统专委会秘书长、中国计算机学会数据库专委会常务委员，《计算机科学与探索》编委，国际期刊Knowledge-Based Systems副主编，国际会议DASFAA 2023、APWeb-WAIM 2020程序委员会主席。研究方向：知识图谱、图数据库、大数据处理。
赵翔，国防科技大学系统工程学院教授、博士生导师，中国计算机学会杰出会员，中国计算机学会信息系统专委会副秘书长，数据库专委会执行委员，大数据专家委员会委员，《国防科技大学学报》编委，国际会议IEEE BigData 2023程序委员会副主席。研究方向：大数据知识工程、高级数据管理和信息检索。
