本文是LLM系列文章，针对《Using Multiple RDF Knowledge Graphs for Enriching ChatGPT Responses》的翻译。
使用多个RDF知识图来丰富ChatGPT响应
- 摘要
- [1 引言](#1 引言)
- [2 相关工作](#2 相关工作)
- [3 GPT-LODS的过程和用例](#3 GPT-LODS的过程和用例)
- [4 结束语](#4 结束语)
摘要
最近有一种趋势是使用新型人工智能聊天GPT聊天箱，它在许多知识领域提供详细的回答和清晰的答案。然而，在许多情况下，它返回了听起来合理但不正确或不准确的回答，而它没有提供证据。因此，任何用户都必须进一步搜索以检查答案的准确性或/和查找关于响应的实体的更多信息。同时，RDF知识图谱（KGs）在任何真实领域上都有大量涌现，它们提供了高质量的结构化数据。为了实现ChatGPT和RDF KGs的组合，我们提出了一个名为GPT•LODS的研究原型，它能够用数百个RDF KGs中的更多信息丰富任何ChatGPT响应。特别是，它通过统计信息和LODSynesis KG的超链接（包含来自400个RDF KG和超过4.12亿个实体的集成数据）来识别和注释响应的每个实体。通过这种方式，可以丰富实体的内容，并实时对响应的事实进行事实核查和验证。
1 引言
2 相关工作
3 GPT-LODS的过程和用例
4 结束语
在本文中，我们提出了研究原型GPT•LODS，它能够实时注释和链接ChatGPT响应到数百个RDF KGs，丰富其实体并验证其事实。作为未来的工作，我们计划通过执行关系提取来改进GUI和事实检查服务，以提供RESTneneneba API并支持多语言。