大模型融合最近火的有点离谱了！！

图为LLMs和KGs的优缺点

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 

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。

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

文末福利

给大家送一波大福利！我整理了100节计算机全方向必学课程，包含CV&NLP&论文写作经典课程，限时免费领！免费送GPU！