图模融合：人工智能系统事实表达和逻辑推理增强.pdfVIP

专栏：信息技术应用创新：系统与软件175

图模融合：人工智能系统事实

表达和逻辑推理增强

杨娟1，2，沈游人2

1.清华大学计算机科学与技术系，北京100084；

2.北京海致星图科技有限公司，北京100085

摘要

知识图谱通过图结构组织和表达实体关系，为机器理解和推理提供了基础，但推理能力受限于覆盖范围和

人工规则。大模型展现了强大的语义理解和生成能力，但缺乏对符号知识的有效利用和可解释性。近年

来，学术界和产业界致力于探索知识图谱与大模型的结合，以融合两者优势，构建更强大且可解释的人工

智能系统。首先，梳理了知识图谱与大模型融合的研究现状，重点介绍了两种技术融合在事实表达和逻辑

推理增强方面的主要研究成果，包括基于知识图谱的预训练语言模型、基于大模型的知识图谱表示学习以

及二者融合的推理方法。然后，对产业界当前图模融合的主流技术路线和应用场景进行了介绍。最后，对

图模融合未来的发展方向进行了展望，并且提出两者融合是人工智能的重要发展方向之一。

关键词

知识图谱；大模型；图神经网络；机器推理；预训练；注意力；图表示学习

中图分类号：TP391文献标志码：Adoi：10.11959/j.issn.2096-0271.2025014

Graph-LLMfusion:enhancingfact

representationandlogicalreasoningin

artificialintelligencesystems

YANGJuan1,2,SHENYouren2

1.DepartmentofComputerScienceandTechnology,TsinghuaUniversity,Beijing100084,China

2.BeijingHaizhiStargraphTechnologyCo.,Ltd.,Beijing100085,China

Abstract

Knowledgegraphsorganizeandrepresententityrelationshipsthroughgraphstructures,providingafoundationfor

machineunderstandingandreasoning,buttheirreasoningcapabilitiesarelimitedbycoverageandmanualrules.Large

languagemodelsdemonstratestrongsemanticunderstandingandgenerationabilitiesbutlackeffectiveutilizationof

symbolicknowledgeandinterpretability.Tocombinethestrengthsofbothtechnologies,academicandindustrial

communitieshavedevotedsignificanteffortinrecentyearstoexploringtheintegrationofknowledgegraphsandlarge

languagemodels,aimingtobuildmorepowerfulandinterpretableAIsystems.Firstly,thispaperreviewsthecurrent

stateofresearchonthefusionofknowledgegraphsandlargelanguagemodels,withafocusonthekeyachievementsin

enhancing