大语言模型与知识图谱用于问答：综述与机遇

大型语言模型 (LLMs) 由于其在自然语言理解和生成方面的卓越能力，在问答 (QA) 任务中展现出卓越的性能。然而，基于LLM的问答在处理复杂问答任务时面临困难，原因包括推理能力差、知识过时和幻觉。最近的一些工作通过融合LLMs和知识图谱 (KGs) 来解决上述问答任务中的挑战。在本综述中，我们提出了一种新的结构化分类法，根据问答任务的类别以及知识图谱在与LLMs集成时的作用，对融合LLMs和知识图谱进行问答的方法进行了分类。我们系统地综述了融合LLMs和知识图谱进行问答的最新进展，并从优势、局限性和知识图谱要求等方面对这些方法进行了比较和分析。然后，我们将这些方法与问答任务进行对应，并讨论这些方法如何解决不同复杂问答任务的主要挑战。最后，我们总结了进展、评估指标和基准数据集，并强调了开放挑战和机遇。