Resumen: Los gráficos de conocimiento (KG) han surgido como un poderoso paradigma para estructurar y aprovechar diversos conocimientos del mundo real, que sirve como una tecnología fundamental para permitir sistemas de inteligencia cognitiva con capacidades avanzadas de comprensión y razonamiento. El razonamiento del gráfico de conocimiento (KGR) tiene como objetivo inferir nuevos conocimientos basados en hechos existentes en KGS, desempeñando un papel crucial en aplicaciones como la inteligencia de seguridad pública, la atención médica inteligente y la evaluación de riesgos financieros. Desde una perspectiva centrada en la tarea, los enfoques de KGR existentes se pueden clasificar ampliamente en KGR de un solo paso estáticos, KGR multipasado estático, KGR dinámico, KGR multimodal, KGR de pocos disparos y KGR inductivos. Si bien las encuestas existentes han cubierto estos seis tipos de tareas de KGR, una revisión exhaustiva que resume sistemáticamente todas las tareas de KGR, particularmente, incluidas las aplicaciones posteriores y los paradigmas de razonamiento más desafiantes sigue siendo faltante. A diferencia de los trabajos anteriores, esta encuesta proporciona una perspectiva más completa sobre la investigación de KGR al clasificar los enfoques basados en tareas de razonamiento primario, tareas de aplicación posterior y posibles tareas de razonamiento desafiantes. Además, exploramos técnicas avanzadas, como modelos de lenguaje grande (LLM) y su impacto en KGR. Este trabajo tiene como objetivo resaltar las tendencias clave de la investigación y describir direcciones futuras prometedoras en el campo de KGR.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
