大模型與知識(shí)圖譜是知識(shí)表達(dá)的一體兩面，如何結(jié)合兩者是近期業(yè)界關(guān)注的焦點(diǎn)。來(lái)自英國(guó)愛(ài)丁堡大學(xué)等學(xué)者最新《大模型與知識(shí)圖譜》的簡(jiǎn)述，討論了大模型和知識(shí)圖譜的互相促進(jìn)的方式，值得關(guān)注！

大型語(yǔ)言模型（LLMs）已在知識(shí)表示領(lǐng)域——以及全球——引起軒然大波。這一轉(zhuǎn)折點(diǎn)標(biāo)志著從明確的知識(shí)表示到對(duì)明確知識(shí)和參數(shù)知識(shí)雙方的混合表示的重新關(guān)注。在這篇立場(chǎng)論文中，我們將討論社區(qū)中關(guān)于LLMs（參數(shù)知識(shí)）和知識(shí)圖譜（明確知識(shí)）的一些常見(jiàn)爭(zhēng)論點(diǎn)，并推測(cè)這種重新關(guān)注帶來(lái)的機(jī)會(huì)、愿景以及相關(guān)的研究主題和挑戰(zhàn)。

大型語(yǔ)言模型與知識(shí)圖譜：機(jī)遇與挑戰(zhàn)

大型語(yǔ)言模型（LLMs）在知識(shí)表示（KR）和整個(gè)世界中引起了軒然大波，因?yàn)樗鼈冊(cè)趶V泛的自然語(yǔ)言任務(wù)中展現(xiàn)出了人類(lèi)級(jí)別的表現(xiàn)，包括一些需要人類(lèi)知識(shí)的任務(wù)。在此之后，人們逐漸開(kāi)始接受某些語(yǔ)言模型的參數(shù)中可能存在知識(shí)的可能性。LLMs的到來(lái)標(biāo)志著知識(shí)計(jì)算的時(shí)代的開(kāi)始，在這個(gè)時(shí)代中，KR內(nèi)的推理概念擴(kuò)大到基于各種知識(shí)表示的許多計(jì)算任務(wù)。

這對(duì)知識(shí)表示領(lǐng)域來(lái)說(shuō)是一個(gè)巨大的步驟。長(zhǎng)時(shí)間以來(lái)，人們關(guān)注的是明確的知識(shí)，例如嵌入在文本中的知識(shí)，有時(shí)也被稱(chēng)為非結(jié)構(gòu)化數(shù)據(jù)，以及以結(jié)構(gòu)化形式存在的知識(shí)，例如在數(shù)據(jù)庫(kù)和知識(shí)圖譜（KGs）［123］中。從歷史上看，人們長(zhǎng)時(shí)間使用文本將他們的知識(shí)從一代傳遞到另一代，直到大約20世紀(jì)60年代，研究者開(kāi)始研究知識(shí)表示以更好地理解自然語(yǔ)言，并開(kāi)發(fā)了早期系統(tǒng)，例如MIT的ELIZA［180］。在21世紀(jì)初，知識(shí)表示和語(yǔ)義網(wǎng)社區(qū)合作標(biāo)準(zhǔn)化了廣泛使用的知識(shí)表示語(yǔ)言，例如RDF［121］和OWL［55］，在網(wǎng)絡(luò)規(guī)模上，使用它們，大規(guī)模的知識(shí)庫(kù)被更廣泛地稱(chēng)為KGs［123］，由于它們有用的圖結(jié)構(gòu)，實(shí)現(xiàn)了邏輯推理和基于圖的學(xué)習(xí)。與LLMs的到來(lái)相伴的這一轉(zhuǎn)折點(diǎn)，標(biāo)志著從明確的知識(shí)表示向?qū)γ鞔_知識(shí)和參數(shù)知識(shí)兩者的混合表示的重新關(guān)注的范式轉(zhuǎn)變。

作為明確知識(shí)表示的流行方法，KGs現(xiàn)在被廣泛研究用于與基于Transformer的LLMs結(jié)合，包括像BERT［39］和RoBERTa［104］這樣的預(yù)訓(xùn)練掩碼語(yǔ)言模型（PLMs），以及更近期的生成性LLMs，如GPT系列［23］和LLaMA［165］。一些工作使用LLMs增強(qiáng)KGs，例如，知識(shí)提取、KG構(gòu)建和精煉，而其他工作使用KGs增強(qiáng)LLMs，例如，訓(xùn)練和提示學(xué)習(xí)，或知識(shí)增強(qiáng)。在本文中，考慮到LLMs用于KGs和KGs用于LLMs的兩個(gè)方向，我們提出了一個(gè)從明確知識(shí)表示到對(duì)明確知識(shí)和參數(shù)知識(shí)兩者的混合表示的重新關(guān)注的轉(zhuǎn)變的更好理解。

一個(gè)相關(guān)的調(diào)查論文［204］對(duì)使用LLMs進(jìn)行KG構(gòu)建和推理進(jìn)行了全面的審查，而我們的工作為這一轉(zhuǎn)折點(diǎn)提供了更深入的視角，不僅考慮了關(guān)系性KGs，還考慮了使用本體論作為模式的KGs，以及其他維度的結(jié)構(gòu)化知識(shí)，包括表格數(shù)據(jù)［183］和數(shù)值［122］。在LLMs和KGs的交叉點(diǎn)上的其他研究與我們論文中涵蓋的主題有輕微的重疊；例如，使用LLMs作為KGs的研究［5］，使用KGs增強(qiáng)LLMs的研究［185］，或者在三個(gè)與知識(shí)相關(guān)的任務(wù)上比較GPT-4、ChatGPT和SOTA微調(diào)方法——實(shí)體、關(guān)系和事件提取，鏈接預(yù)測(cè)和KG問(wèn)題回答［204］。總的來(lái)說(shuō)，這些論文中沒(méi)有一個(gè)深入探討這一轉(zhuǎn)折點(diǎn)的具體應(yīng)用的含義。為此，本文總結(jié)了社區(qū)內(nèi)的常見(jiàn)爭(zhēng)議點(diǎn)，介紹了在KGs和LLMs集成的一系列主題上的最新技術(shù)，并進(jìn)一步提出了機(jī)會(huì)和挑戰(zhàn)。

知識(shí)圖譜與大型語(yǔ)言模型

結(jié)合參數(shù)知識(shí)和明確知識(shí)的可用性所帶來(lái)的機(jī)會(huì)和愿景，本節(jié)我們將按照四個(gè)不同的主題對(duì)使用LLMs和KGs的最近發(fā)展進(jìn)行分類(lèi)、總結(jié)和展示。

1. LLMs 用于KGs：知識(shí)提取和規(guī)范化

KG的構(gòu)建是一個(gè)復(fù)雜的任務(wù)，要求從包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)在內(nèi)的廣泛來(lái)源收集和整合信息。傳統(tǒng)方法通常依賴(lài)于為處理每種數(shù)據(jù)類(lèi)型而特別設(shè)計(jì)的模塊，并在內(nèi)容多樣且結(jié)構(gòu)異質(zhì)時(shí)面臨困難。然而，LLMs 是在廣泛的信息來(lái)源上訓(xùn)練的強(qiáng)大的NLP模型，使它們非常適合知識(shí)提取任務(wù)。本節(jié)介紹了使用LLMs從各種來(lái)源進(jìn)行知識(shí)提取的工作。

實(shí)體解析與匹配

實(shí)體解析（也稱(chēng)為實(shí)體匹配、實(shí)體鏈接或?qū)嶓w對(duì)齊）是將出現(xiàn)在多個(gè)異構(gòu)數(shù)據(jù)集中并指向同一個(gè)實(shí)體的信息片段進(jìn)行鏈接的過(guò)程［46， 50， 126］。過(guò)去的研究主要集中在為扁平結(jié)構(gòu)化數(shù)據(jù)所代表的實(shí)體之間開(kāi)發(fā)方法和相似性度量。然而，針對(duì)KGs的半結(jié)構(gòu)化數(shù)據(jù)的實(shí)體解析是一個(gè)相對(duì)較新的主題，受到的關(guān)注明顯較少。

實(shí)體對(duì)齊的方法可以分為通用方法和基于嵌入的類(lèi)別。通用方法，例如CG-MuAlign［203］，使用圖神經(jīng)網(wǎng)絡(luò)（GNNs）執(zhí)行多類(lèi)型實(shí)體對(duì)齊，利用鄰近信息并泛化到未標(biāo)記的類(lèi)型，以及REA［129］，通過(guò)結(jié)合對(duì)抗性訓(xùn)練與GNNs來(lái)解決多語(yǔ)言實(shí)體對(duì)齊問(wèn)題，以應(yīng)對(duì)輸入的噪聲標(biāo)記數(shù)據(jù)問(wèn)題?；谇度氲膶?shí)體對(duì)齊方法將圖實(shí)體之間的符號(hào)相似性減少到一個(gè)向量空間中，以消除圖組件的異質(zhì)性并促進(jìn)推理［156］。具體來(lái)說(shuō)，總共有23種代表性的嵌入對(duì)齊方法在性能方面進(jìn)行了交叉比較，但也顯示它們?cè)?a target="_blank">標(biāo)簽階段需要大量的監(jiān)督。

因此，在未來(lái)的研究調(diào)查中，非監(jiān)督方法和能夠處理大規(guī)模KGs的方法是非常受歡迎的。LLMs在KGs的實(shí)體解析和鏈接中有多種用途［7］。首先，LLMs可以幫助標(biāo)記訓(xùn)練數(shù)據(jù)，這通常是一個(gè)資源密集且耗時(shí)的步驟，阻礙了KGs的實(shí)體對(duì)齊性能。類(lèi)似于［146］使用生成對(duì)抗網(wǎng)絡(luò)（GANs）來(lái)減少標(biāo)記數(shù)據(jù)的努力，我們認(rèn)為L(zhǎng)LMs可以提供KGs的標(biāo)記樣本并控制上述基于嵌入的方法的性能。

此外，LLMs可以幫助構(gòu)建穩(wěn)固的實(shí)體匹配規(guī)則語(yǔ)料庫(kù)，只要在圖設(shè)置中定義了一個(gè)聲明性形式化的邏輯語(yǔ)言L。這種邏輯語(yǔ)言的訓(xùn)練數(shù)據(jù)應(yīng)作為輸入提供給LLMs，類(lèi)似于在文本語(yǔ)料庫(kù)中可供消費(fèi)的SQL語(yǔ)句。然而，需要進(jìn)行提示工程以產(chǎn)生對(duì)于像DBpedia［9］和Wikidata［169］這樣的實(shí)際大規(guī)模KGs有意義的規(guī)則語(yǔ)料庫(kù)。

可以設(shè)想為這些實(shí)際的大規(guī)模KGs提供實(shí)體匹配規(guī)則日志，與這些KGs的查詢(xún)?nèi)罩绢?lèi)似［18， 19］。總之，實(shí)體對(duì)齊和匹配是完整知識(shí)推理的必要前處理步驟。將通用實(shí)體鏈接方法與基于嵌入的方法相結(jié)合，以及利用LLM驅(qū)動(dòng)的規(guī)則和標(biāo)記數(shù)據(jù)構(gòu)造，都可以更好地整合LLMs與知識(shí)推理［66］。后者整合LLMs和知識(shí)推理也可以提高性能，從而使模型的輸出可解釋和可解釋?zhuān)⑻钛a(bǔ)符號(hào)和統(tǒng)計(jì)AI之間的差距。

知識(shí)從表格數(shù)據(jù)中的提取

從數(shù)據(jù)庫(kù)、網(wǎng)頁(yè)表格和CSV文件等表格數(shù)據(jù)中提取知識(shí)是構(gòu)建KG的常見(jiàn)方式。對(duì)于已知語(yǔ)義（元信息）的表格，可以定義和使用啟發(fā)式規(guī)則將其數(shù)據(jù)轉(zhuǎn)化為KG事實(shí)。然而，現(xiàn)實(shí)世界的表格通常具有不明確的語(yǔ)義，重要的元信息（如表格名稱(chēng)和列標(biāo)題）未明確定義。與此同時(shí)，在可以提取預(yù)期的知識(shí)之前，通常需要檢索、探索、整合和策劃原始數(shù)據(jù)。

近年來(lái)，基于Transformer的LM已被研究用于處理表格，尤其是它們的文本內(nèi)容。它們可以被應(yīng)用于表格向量表示作為其他預(yù)測(cè)任務(wù)的基礎(chǔ)［168］。TURL ［38］ 是一個(gè)典型的表格表示學(xué)習(xí)方法，使用BERT ［39］，已應(yīng)用于多個(gè)任務(wù)，如單元格填充、列類(lèi)型注釋和關(guān)系提取。類(lèi)似地，RPT ［162］ 使用BERT和GPT進(jìn)行表格表示模型的預(yù)訓(xùn)練。Starmie ［47］ 使用模板將列轉(zhuǎn)化為序列，并使用可聯(lián)合和不可聯(lián)合的列對(duì)作為樣本微調(diào)BERT，采用對(duì)比學(xué)習(xí)框架。

在所有表格處理任務(wù)中，語(yǔ)義表格注釋?zhuān)撟⑨寣⒈砀駭?shù)據(jù)匹配到KG組件（例如，表格列到KG類(lèi)，表格單元格到KG實(shí)體，列間關(guān)系到KG屬性）可以直接應(yīng)用于提取知識(shí)，用于KG的構(gòu)建和填充［103， 76］。已經(jīng)有幾次嘗試使用LLMs進(jìn)行這些任務(wù)。Doduo ［155］ 將表格序列化為一個(gè)令牌序列，并訓(xùn)練BERT來(lái)預(yù)測(cè)列類(lèi)型和列間關(guān)系。Korini等人［86］提示ChatGPT來(lái)注釋語(yǔ)義列類(lèi)型。當(dāng)任務(wù)特定的示例極少或不存在時(shí)，ChatGPT的性能與RoBERTa模型相似。

盡管已經(jīng)注意到了利用LLMs進(jìn)行表格數(shù)據(jù)處理和KG構(gòu)建，但仍然有很大的研究空間，特別是面臨以下挑戰(zhàn)：

將表格內(nèi)容轉(zhuǎn)化為序列：表格或帶有其結(jié)構(gòu)化上下文的表格元素需要被轉(zhuǎn)化為一個(gè)序列，然后才能輸入到LLMs中。對(duì)于不同的LLM利用場(chǎng)景，如微調(diào)LLMs、帶提示的LLM推斷以及LLM的指導(dǎo)調(diào)整，需要不同的轉(zhuǎn)換方法。

表示和利用非文本的表格數(shù)據(jù)：表格通常不僅包含長(zhǎng)文本和短文本，還包含如數(shù)字和日期等其他類(lèi)型的數(shù)據(jù)。還有很少的工作考慮這些數(shù)據(jù)。

提取表格知識(shí)：LLMs主要用于處理和理解表格，但很少應(yīng)用于知識(shí)提取的最后步驟。已知OntoGPT［25］使用ChatGPT從文本中提取實(shí)例以填充本體，但對(duì)于表格沒(méi)有對(duì)應(yīng)的工具。除了實(shí)例之外，提取關(guān)系事實(shí)更具挑戰(zhàn)性。

從文本中提取知識(shí)

從文本中提取知識(shí)通常涉及自動(dòng)提取實(shí)體及其相關(guān)關(guān)系，傳統(tǒng)的流水線處理大量的句子和文檔。這個(gè)過(guò)程使原始文本轉(zhuǎn)化為可行動(dòng)的知識(shí)，有助于各種應(yīng)用，如信息檢索、推薦系統(tǒng)和KG構(gòu)建。LLMs的語(yǔ)言理解能力已經(jīng)增強(qiáng)了這一過(guò)程。例如，

命名實(shí)體識(shí)別 （NER） 和實(shí)體鏈接：如4.1.1節(jié)所述，涉及識(shí)別和分類(lèi)文本中的命名實(shí)體（如人、組織和地點(diǎn)）并將其鏈接（更多內(nèi)容參見(jiàn)4.2.1節(jié)）到KGs。

關(guān)系提?。宏P(guān)注識(shí)別和分類(lèi)實(shí)體之間的關(guān)系，利用LLMs的零射擊和少射擊的上下文學(xué)習(xí)技術(shù)［178， 93］。

事件提?。褐荚跈z測(cè)和分類(lèi)文本中提到的事件，包括其參與者和屬性［170， 194］。

語(yǔ)義角色標(biāo)記 （SRL）：涉及識(shí)別句子中實(shí)體所扮演的角色，如主語(yǔ)、賓語(yǔ)和謂語(yǔ)［148， 199］。

這些方法允許LLMs從文本中提取信息，無(wú)需在特定領(lǐng)域進(jìn)行大量的明確培訓(xùn)，從而提高其多功能性和適應(yīng)性。此外，LLMs已經(jīng)證明了在從英語(yǔ)之外的語(yǔ)言中提取知識(shí)的能力，包括低資源語(yǔ)言，為跨語(yǔ)言知識(shí)提取鋪平了道路，并使LLMs能夠在多種語(yǔ)言環(huán)境中使用［89］。

此外，對(duì)LLMs的提示引入了NLP領(lǐng)域的新范式和可能性。LLMs可以生成高質(zhì)量的合成數(shù)據(jù)，然后可以用來(lái)微調(diào)較小的特定任務(wù)模型。這種方法，稱(chēng)為合成數(shù)據(jù)生成，解決了有限的訓(xùn)練數(shù)據(jù)可用性的挑戰(zhàn)，并提高了模型的性能［77， 163］。此外，指導(dǎo)調(diào)整已經(jīng)成為一種強(qiáng)大的技術(shù)，其中LLMs被訓(xùn)練在由明確指令描述的數(shù)據(jù)集上，使得能夠更精確地控制和定制它們的行為以適應(yīng)特定的任務(wù)［178， 174］。

還有，對(duì)于構(gòu)建特定領(lǐng)域的KGs，風(fēng)險(xiǎn)更高，因此對(duì)生成的文本（由專(zhuān)家）進(jìn)行審查是必要的。然而，這仍然是一個(gè)進(jìn)步，因?yàn)槿斯ぷ⑨尩某杀镜陀谌祟?lèi)文本生成。除了訓(xùn)練和利用這些LLM所需的大量計(jì)算資源需求之外，還存在各種挑戰(zhàn)，包括在第2節(jié)中提到的挑戰(zhàn)。更具體地說(shuō)，以下未來(lái)的方向仍然是可能的：

從非常長(zhǎng)的文檔中有效提?。寒?dāng)前的LLMs無(wú)法一次處理像小說(shuō)這樣的非常長(zhǎng)的文檔。在這方面，可以進(jìn)一步改進(jìn)建模長(zhǎng)范圍依賴(lài)性和執(zhí)行語(yǔ)料級(jí)信息提取。

高覆蓋率信息提?。簬缀跛械奶崛×魉€都關(guān)注高精度。然而，高回報(bào)率被忽視或未被充分探索［152］。建立具有高精度和高回報(bào)率的知識(shí)提取器將是建立終身信息提取器的一個(gè)巨大飛躍。

4.2 LLMs 用于 KGs

知識(shí)圖譜構(gòu)建我們強(qiáng)調(diào)了 LLMs 在改進(jìn)知識(shí)圖譜構(gòu)建中的重要作用，重點(diǎn)關(guān)注這個(gè)領(lǐng)域的當(dāng)前趨勢(shì)、問(wèn)題和未回答的問(wèn)題。我們首先討論鏈接預(yù)測(cè)，這是根據(jù)現(xiàn)有的知識(shí)圖譜生成新事實(shí)的一種方法。接下來(lái)，我們考察歸納鏈接預(yù)測(cè)，一種預(yù)測(cè)未見(jiàn)關(guān)系的三元組的方法。我們的關(guān)注點(diǎn)隨后轉(zhuǎn)移到一種更為近期的方法，其中三元組直接從 LLM 的參數(shù)知識(shí)中提取出來(lái)。作為這個(gè)部分的結(jié)論，我們討論了基于 LLM 的知識(shí)圖譜構(gòu)建方法的挑戰(zhàn)。這些挑戰(zhàn)涉及到長(zhǎng)尾實(shí)體、數(shù)值以及這些方法的精確性問(wèn)題。

4.3 LLMs 用于 KGs 本體模式構(gòu)建

一個(gè)知識(shí)圖譜通常配備有一個(gè)本體模式（包括規(guī)則、約束和本體）以確保質(zhì)量，使知識(shí)訪問(wèn)更加容易，支持推理等。同時(shí)，一個(gè)獨(dú)立的本體，通常代表概念性知識(shí)有時(shí)帶有邏輯，也可以被視為一個(gè)知識(shí)圖譜。在這部分，我們介紹 LLMs 被應(yīng)用于學(xué)習(xí)本體模式和管理本體的主題。

4.4 KGs 為 LLMs 提供支持：訓(xùn)練與訪問(wèn)

LLMs在 4.1 到 4.3 節(jié)中，我們討論了使用 LLMs 為 KGs 提供支持的三個(gè)不同方面。在本節(jié)中，我們將研究相反的方向，即使用 KGs 為 LLMs 提供支持。這里有幾個(gè)維度。首先，KGs 可以用作 LLMs 的訓(xùn)練數(shù)據(jù)。其次，KGs 中的三元組可以用于構(gòu)建提示。最后但同樣重要的是，KGs 可以用作檢索增強(qiáng)語(yǔ)言模型中的外部知識(shí)。

4.5 應(yīng)用

將 KGs 和 LLMs 集成到統(tǒng)一的方法中具有巨大的潛力，因?yàn)樗鼈兊慕M合能夠相互增強(qiáng)并以有價(jià)值的方式互補(bǔ)。例如，KGs 提供非常準(zhǔn)確和明確的知識(shí)，這對(duì)于某些應(yīng)用（如醫(yī)療保?。┲陵P(guān)重要，而 LLMs 由于缺乏事實(shí)知識(shí)而被批評(píng)導(dǎo)致幻覺(jué)和不準(zhǔn)確的事實(shí)。其次，LLMs 缺乏可解釋性，相反，由于 KGs 具有符號(hào)推理能力，它們能夠生成可解釋的結(jié)果。另一方面，從非結(jié)構(gòu)化文本構(gòu)建 KGs 很困難，并且存在不完整性，因此，可以利用 LLMs 通過(guò)文本處理來(lái)解決這些挑戰(zhàn)。各種應(yīng)用都采用了這種將 LLMs 與 KGs 結(jié)合的方法，如醫(yī)療助手，問(wèn)題回答系統(tǒng)［188］或 ChatBots，以及可持續(xù)性等。

結(jié)論

近年來(lái)，大型語(yǔ)言模型（LLMs）的進(jìn)展為知識(shí)圖譜（KG）研究標(biāo)志了一個(gè)重要的轉(zhuǎn)折點(diǎn)。盡管如何結(jié)合它們的優(yōu)勢(shì)的重要問(wèn)題仍然懸而未決，但這為未來(lái)的研究提供了令人興奮的機(jī)會(huì)。社區(qū)已經(jīng)迅速調(diào)整其研究重點(diǎn)，新的論壇如 KBC-LM 工作坊 ［79］ 和 LM-KBC 挑戰(zhàn) ［151］ 已經(jīng)出現(xiàn)，資源大量轉(zhuǎn)向知識(shí)提取、整合和使用的混合方法。我們提出以下建議：

不要因?yàn)榉妒降霓D(zhuǎn)變而丟棄 KG：對(duì)于一系列可靠性或安全關(guān)鍵的應(yīng)用，結(jié)構(gòu)化知識(shí)仍然是不可或缺的，我們已經(jīng)概述了 KGs 和 LLMs 如何相互促進(jìn)的多種方式。KGs 是留下來(lái)的，不要僅僅因?yàn)闀r(shí)尚而拋棄它們。

殺掉你的寵兒：LLMs 已經(jīng)大大推進(jìn)了 KG 和本體構(gòu)建管道中的許多任務(wù)，甚至使一些任務(wù)過(guò)時(shí)。對(duì)最為確立的管道組件進(jìn)行嚴(yán)格的審查，并不斷地與基于 LLM 的最新技術(shù)進(jìn)行比較。

保持好奇，保持批判：LLMs 無(wú)疑是過(guò)去幾年 AI 研究的最令人印象深刻的產(chǎn)物。盡管如此，公眾和研究文獻(xiàn)中都存在大量夸大的聲明和期望，人們應(yīng)該保持適度的批判反思。特別是，對(duì)所謂的幻覺(jué)問(wèn)題的根本解決方法尚未出現(xiàn)。

過(guò)去已經(jīng)結(jié)束，讓我們開(kāi)始新的旅程：由 LLMs 觸發(fā)的進(jìn)展以前所未有的方式顛覆了這個(gè)領(lǐng)域，并使得進(jìn)入這個(gè)領(lǐng)域有了重要的捷徑。在與知識(shí)計(jì)算相關(guān)的領(lǐng)域開(kāi)始新的征程，現(xiàn)在是最好的時(shí)機(jī)。盡管目前的轉(zhuǎn)變方向廣泛開(kāi)放，但隨著研究者繼續(xù)探索混合方法的潛力和挑戰(zhàn)，我們可以期待在知識(shí)的表示和處理上看到新的突破，這將對(duì)從知識(shí)計(jì)算到 NLP、AI 乃至其他領(lǐng)域產(chǎn)生深遠(yuǎn)的影響。