A Survey of Knowledge-Enhanced Pre-trained Language Models

本文是LLM系列的文章，针对《A Survey of Knowledge-Enhanced Pre-trained Language Models》的翻译。

摘要

预训练语言模型（PLM）通过自监督学习方法在大文本语料库上进行训练，在自然语言处理（NLP）的各种任务中都取得了良好的性能。然而，尽管具有巨大参数的PLM可以有效地拥有从大量训练文本中学习到的丰富知识，并在微调阶段有利于下游任务，但由于缺乏外部知识，它们仍然存在一些局限性，如推理能力差。研究一直致力于将知识纳入PLM，以解决这些问题。在本文中，我们对知识增强预训练语言模型（KE-PLM）进行了全面的综述，以对这一蓬勃发展的领域提供清晰的见解。我们分别为自然语言理解（NLU）和自然语言生成（NLG）引入了适当的分类法，以突出NLP的这两个主要任务。对于NLU，我们将知识类型分为四类：语言知识、文本知识、知识图谱和规则知识。NLG的KE PLM分为基于KG的方法和基于检索的方法。最后，我们指出了KE PLM的一些有前景的未来方向。

1 引言

2 背景

3 KE-PLMs用于NLU

4 KE-PLMs用于NLG

5 未来的方向

在本节中，我们提出了未来KE PLM的一些可能的研究方向，这些方向可能会解决现有的问题和挑战。

5.1 整合来自同质和异质来源的知识

由于现有的工作大多只利用单一来源的知识，如知识图谱或网络资源，探索如何整合异构来源的知识仍然是未来研究的一个有价值的方向。
正如我们在上一节