LLM-KG4QA：大语言模型与知识图谱问答综述

LLM-KG4QA 是一个专注于"大语言模型（LLMs）与知识图谱（KGs）融合进行问答"的学术论文精选列表，由研究者 Chuangtao Ma（华东师范大学）联合多位学者共同维护。该项目已被 EMNLP 2025 主会全文接收，并在 EDBT 2025 开设专题教程，是该领域最具影响力的开放知识库之一。

为什么需要知识图谱来增强 LLM 问答？

当前，以 ChatGPT、GPT-4 为代表的大语言模型已经能够流畅回答各类问题，但它们有一个显著的软肋——幻觉（Hallucination）。当被问到需要精确事实的领域性问题时，LLM 很容易"一本正经地胡说八道"，编造看起来合理但实际错误的答案。

知识图谱（Knowledge Graph，KG）本质上是一种结构化的知识库，由实体（Entity）、关系（Relation）和属性（Attribute）组成的三元组构成。常见的知识图谱包括 Freebase、Wikidata、DBpedia 等。相比 LLM 内部参数化的隐性知识，知识图谱中的知识是显式、结构化、可验证的。

将知识图谱引入 LLM 问答系统的核心思路是：**让 LLM 在回答问题之前，先查询知识图谱获取相关的事实依据，再基于这些依据生成答案。**这样一来，LLM 不再"凭空编造"，而是在结构化知识的锚定下给出有据可查的回答。

项目内容体系：从基础到前沿全覆盖

LLM-KG4QA 的内容组织极具系统性，整个仓库围绕以下五大模块展开：

模块一：LLMs 和 KGs 的融合方式

这是项目的主线内容，按技术手段细分为三大类：

1. 预训练与微调（Pre-training & Fine-tuning）

代表性工作包括：

• GreaseLM（ICLR 2022）：在预训练阶段就将图谱的结构化信息注入语言模型，使模型天然具备图谱感知能力
• Deep Bidirectional Language-Knowledge Graph Pretraining（NeurIPS 2022）：通过双向语言-知识图谱联合预训练实现深层融合
• KG-Adapter（ACL Findings 2024）：采用参数高效微调技术，仅更新少量额外参数即可实现知识图谱集成

2. KG 增强的提示（KG-Augmented Prompting）

无需修改模型参数，通过设计巧妙的 prompt 让 LLM 能够理解并利用知识图谱：

• KnowGPT（arXiv 2024）：基于知识图谱的 prompt 框架，引导 LLM 优先查询 KG 再生成答案
• Mitigating LLM Hallucinations with Knowledge Graphs（arXiv 2025）：用 KG 检测并修正 LLM 的幻觉输出

3. 检索增强生成（RAG）

结合知识图谱作为外部知识检索源，典型流程为：问题解析→知识检索→知识融合→答案生成→答案验证。

模块二：复杂问答场景

实际应用中的问答远比单跳简单问答复杂，项目专门设立了复杂问答分支：

• 多跳问答（Multi-Hop QA）：需要串联多条知识图谱路径才能回答，如"某公司的 CEO 的配偶是谁？"
• 多模态问答（Multi-modal QA）：结合文本、图像、知识图谱的混合问答
• 多文档问答（Multi-document QA）：跨文档整合信息的复杂推理
• 可解释问答（Explainable QA）：不仅给出答案，还要给出推理过程和知识依据
• 时序问答（Temporal QA）：涉及时间维度的问答，如"某事件发生在何时？"
• 多语言多领域问答：跨语言、跨领域的泛化能力研究

模块三：高级主题

• 优化（Optimization）：效率优化、推理加速、知识图谱更新等
• 数据管理（Data Management）：知识图谱构建、更新、清洗的工程实践

模块四：基准数据集与应用

收录了该领域主流的评测数据集和工业应用案例：

• WebQSP、MetaQA、ComplexWebQuestions 等经典 KGQA 数据集
• 医疗、金融、法律等垂直领域的知识图谱问答系统

模块五：相关综述

整理了相关的其他综述论文，方便研究者快速了解领域全貌。

典型 KG-Enhanced LLM 问答 Pipeline

综合项目收录的论文，KG-Enhanced LLM 问答的典型流程如下：

1. 问题解析（Question Parsing）：将用户自然语言问题转换为结构化查询（如 SPARQL、Cypher）
2. 知识检索（Knowledge Retrieval）：在知识图谱中检索相关实体和关系路径
3. 知识融合（Knowledge Fusion）：将检索到的知识整合为 LLM 可理解的上下文
4. 答案生成（Answer Generation）：LLM 基于原始问题 + 知识上下文生成最终答案
5. 答案验证（Answer Verification）（可选）：用 KG 中的事实再次核验答案正确性

关键的技术难点在于：问题到 SPARQL 的转换（这本身就是一个 NLP 任务）和多跳推理路径的发现（需要遍历 KG 中的多条边）。

为什么这个项目值得关注？

1. 顶级学术认可

项目作者的综述论文已被 EMNLP 2025（自然语言处理领域顶级会议之一）全文接收。EMNLP 是 CCF-A 类会议，含金量极高。

2. 持续更新的活知识库

仓库从 2024 年 12 月创建至今已累计 70+ 次提交，涵盖了从 2022 年至今的几乎所有相关工作，且持续追踪最新研究进展（如 2025 年最新工作）。

3. 对开发者友好的组织结构

论文按技术路线（Pre-training / Fine-tuning / Prompting / RAG）和应用场景（Multi-hop / Multi-modal 等）分类组织，每篇论文都标注了发表 venues、年份和技术类别，方便快速定位目标文献。

4. 开源且许可友好

采用 MIT License，可自由使用、修改和分发，适合作为教学、科研或产品参考。

使用场景对照

场景	适用性	说明
学术研究	⭐⭐⭐⭐⭐	快速了解领域全貌，找到相关工作
论文写作	⭐⭐⭐⭐⭐	引用列表齐全，格式规范
产品参考	⭐⭐⭐	偏学术，收录多为研究原型
学习入门	⭐⭐⭐⭐	系统梳理，适合建立知识框架
直接使用代码	⭐	无可运行代码，仅为论文列表

局限性与注意事项

1. 这是一个论文列表项目，而非可运行的代码库。如果你的目标是找一个可以直接部署的 KGQA 系统，这个仓库无法满足需求，你需要去找仓库中各篇论文对应的代码实现。

2. 主要语言为 JavaScript（Jekyll 静态站点配置），但这不代表任何功能性代码——只是驱动 GitHub Pages 的配置文件。

3. 论文列表按年份和技术路线组织，但不包含论文的详细解读，需要自行阅读原文。

行业意义与趋势

LLM 与知识图谱的结合代表了 AI 问答系统的两条演进路线——统计学习路线（以 LLM 为代表）和符号主义路线（以知识图谱为代表）——正在走向深度融合。

从项目收录的论文趋势来看：

• 早期（2022-2023） 工作集中在预训练阶段注入知识
• 中期（2024） 重点转向参数高效微调（LoRA、Adapter）和 KG-Augmented Prompting
• 近期（2025） RAG 成为主流范式，且更加关注幻觉检测与修正

这一方向对于需要高准确性、强可解释性的垂直领域应用（如医疗诊断问答、法律条文问答、金融风控问答）具有极高的实用价值，是 RAG 技术在专业场景落地的关键技术支撑。