EDBT 2025 Tutorial | 基于大语言模型与知识图谱的问答技术研究：最新进展与机遇

大语言模型（ LLM ）因其在自然语言理解和生成方面的卓越能力， 已在 多个问答任务中表现出 优秀的 性能。另一方面，由于 LLM 存在推理能力 弱 、领域知识过时或 匮乏 、重新训练成本高昂 、 上下文长度有限 等 问题，基于 LLM 的问答方法在 诸如 多跳问答 与 长上下文问答等复杂问答任务中 的效果不尽如人意 。 而 知识图谱（ KG ）存储 了对于推理与解释十分有效的基于图的结构化知识，可有效表达现实世界中显式的事实知识及特定领域知识 。为解决基于 LLM 的 问答方法 所面临的挑战和局限， 近期多项融合 L LM 与 K G 的问答研究工作被提出。本次 Tutorial 旨在概述基于 L LM 与 K G 的问答技术研究最新进展，并根据 K G 的角色将相关研究工作分为三类：（ 1 ） KG 作为背景知识；（ 2 ） KG 作为推理 指导 ；（ 3 ） KG 作为 过滤器 和 验证器 。 此外，还将介绍相应 评估指标 与 基准数据集，展示特定领域行业应用 ， 总结开放性挑战 及针对 数据管理 研究 的机遇。

Yongrui Chen is a postdoctoral researcher at Southeast University, China. He specializes in incorporating structured and semi-structured knowledge into foundational LLMs, to improve their complex knowledge reasoning capability. He has presented numerous papers at prominent venues, including NeurIPS, TKDE, IJCAI, AAAI, ACL, ISWC, and NAACL.

Tianxing Wu is an associate professor at Southeast University, China. He is one of the main contributors to build uncertain knowledge graph reasoning tool: unKR, and schema knowledge graph: Linked Open Schema. He has published over 60 papers in top-tier venues, e.g., SIGMOD, ICDE, SIGIR, ACL, AAAI, IJCAI, and TKDE.