دمج الرسوم المعرفية ونماذج اللغة الكبيرة

في السنوات الأخيرة، لعبت معالجة اللغة الطبيعية (NLP) دورًا مهمًا في تطبيقات الذكاء الاصطناعي (AI) المختلفة مثل الدردشة الآلية، وتوليد النصوص، وترجمة اللغات. أدى ظهور نماذج اللغة الكبيرة (LLMs) إلى تحسين كبير في أداء هذه التطبيقات، محققة نتائج مذهلة في فهم اللغة وتوليدها. ومع ذلك، لا تزال تظهر بعض العيوب مثل الهلوسة ونقص المعرفة المتخصصة في المجالات التي تؤثر على أدائها في المهام الواقعية. يمكن التخفيف من هذه المشاكل بفعالية من خلال دمج الرسوم المعرفية (KGs)، التي تنظم المعلومات في صيغ منظمة تلتقط العلاقات بين الكيانات بطريقة متعددة الاستخدامات وقابلة للتفسير. وبالمثل، تواجه بناء وتحقق صحة الرسوم المعرفية تحديات يمكن لنماذج اللغة الكبيرة المساعدة في حلها. العلاقة التكميلية بين LLMs وKGs أدت إلى اتجاه يجمع هذه التقنيات لتحقيق نتائج موثوقة. في هذا العمل، جُمع 28 ورقة بحثية تحدد طرقًا لنماذج LLM المدعومة بالرسوم المعرفية، والرسوم المعرفية المستندة إلى LLM، والنهج الهجينة بين LLM وKG. قمنا بتحليل ومقارنة هذه الأساليب بشكل منهجي لتقديم نظرة عامة شاملة تسلط الضوء على الاتجاهات الرئيسية، والتقنيات المبتكرة، والتحديات الشائعة. سيساعد هذا التلخيص الباحثين الجدد في المجال ومن يرغبون في تعميق فهمهم لكيفية دمج الرسوم المعرفية ونماذج اللغة الكبيرة بفعالية لتعزيز قدرات تطبيقات الذكاء الاصطناعي.