Combinando Grafos de Conhecimento e Modelos de Linguagem de Grande Porte

Nos últimos anos, o Processamento de Linguagem Natural (PLN) desempenhou um papel significativo em várias aplicações de Inteligência Artificial (IA), como chatbots, geração de texto e tradução de idiomas. O surgimento de modelos de linguagem de grande porte (LLMs) melhorou muito o desempenho dessas aplicações, mostrando resultados surpreendentes em compreensão e geração de linguagem. No entanto, eles ainda apresentam algumas desvantagens, como alucinações e falta de conhecimento específico de domínio, que afetam seu desempenho em tarefas do mundo real. Essas questões podem ser efetivamente mitigadas pela incorporação de grafos de conhecimento (KGs), que organizam informações em formatos estruturados que capturam relações entre entidades de forma versátil e interpretável. Da mesma forma, a construção e validação de KGs apresentam desafios que os LLMs podem ajudar a resolver. A relação complementar entre LLMs e KGs levou a uma tendência que combina essas tecnologias para alcançar resultados confiáveis. Este trabalho reuniu 28 artigos que descrevem métodos para LLMs alimentados por KGs, KGs baseados em LLMs e abordagens híbridas LLM-KG. Analisamos e comparamos sistematicamente essas abordagens para fornecer uma visão abrangente destacando as principais tendências, técnicas inovadoras e desafios comuns. Essa síntese beneficiará pesquisadores novos na área e aqueles que buscam aprofundar sua compreensão sobre como KGs e LLMs podem ser combinados de forma eficaz para aprimorar as capacidades das aplicações de IA.