Combinando grafos de conocimiento y grandes modelos de lenguaje

En los últimos años, el Procesamiento de Lenguaje Natural (PLN) ha desempeñado un papel significativo en diversas aplicaciones de Inteligencia Artificial (IA) como chatbots, generación de texto y traducción de idiomas. La aparición de grandes modelos de lenguaje (LLMs) ha mejorado enormemente el desempeño de estas aplicaciones, mostrando resultados asombrosos en la comprensión y generación del lenguaje. Sin embargo, todavía presentan algunas desventajas, como alucinaciones y falta de conocimiento específico del dominio, que afectan su rendimiento en tareas del mundo real. Estos problemas pueden mitigarse eficazmente incorporando grafos de conocimiento (KGs), que organizan la información en formatos estructurados que capturan relaciones entre entidades de manera versátil e interpretable. Asimismo, la construcción y validación de KGs presentan desafíos que los LLMs pueden ayudar a resolver. La relación complementaria entre LLMs y KGs ha generado una tendencia que combina estas tecnologías para lograr resultados confiables. Este trabajo recopiló 28 artículos que describen métodos para LLMs potenciados por KG, KGs basados en LLM, y enfoques híbridos LLM-KG. Analizamos y comparamos sistemáticamente estos enfoques para ofrecer una visión general completa que destaca las tendencias clave, técnicas innovadoras y desafíos comunes. Esta síntesis beneficiará a investigadores nuevos en el campo y a aquellos que buscan profundizar su comprensión sobre cómo los KGs y los LLMs pueden combinarse eficazmente para mejorar las capacidades de las aplicaciones de IA.