英国曼彻斯特大学计算机科学系招收全奖博士
大型语言模型可解释性与评估的知识图谱
项目简介
大型语言模型（LLMs），如GPT系列和Llama系列，在自然语言处理（NLP）、人工智能（AI）以及众多领域应用中取得了巨大成功。然而，它们仍面临若干问题，如产生幻觉、缺乏领域知识或最新知识、解释能力不足以及复杂推理能力欠缺。尽管像DeepSeek-R1这样的先进推理型LLMs在推理方面取得了进展，但它们仍不足以构建可解释且值得信赖的智能系统，特别是在对安全性要求极高的众多领域。与此同时，随着LLMs技术的快速发展，对其进行高效、全面且自动的评估，尤其是针对这些关键问题的评估，变得尤为紧迫。
传统的知识库以及符号推理技术，凭借其高透明度、决断性以及过去几十年积累的丰富资源，为解决上述LLMs的问题提供了良好契机。在本项目中，我们将利用知识图谱，包括由事实数据（如Wikidata）组成的多关系图、表示概念知识和逻辑关系的本体（如SNOMED CT和GO），以及它们的组合，针对以下研究主题展开研究：（1）评估现有和未来LLMs的领域知识、推理能力和可解释性（参考[1]和[2]两个先前的研究示例）；（2）借助知识图谱的外部知识和符号推理能力，实现LLMs在问答和事实核查等应用中的可解释性。
曼彻斯特大学信息管理组现面向神经符号人工智能与知识图谱领域招收博士研究生。该领域的博士项目将探索如何利用机器学习、自然语言处理和符号人工智能（如知识表示与推理）的当代技术，作为解决上述两个LLMs研究主题挑战的基础。
研究挑战示例包括：1）如何从配备逻辑和/或大规模知识图谱中自动构建用于复杂评估任务的基准；（2）如何设计定量实验以准确评估LLMs的特定能力；（3）如何检索相关知识、推断LLMs可解释性的依据和证明；（4）如何使LLMs与特定逻辑规则对齐，并使其具备逻辑推理能力。
申请人应具备以下条件：
·拥有计算机科学或数学（或相关学科）的优秀本科学位，最好具有相关硕士学位。
·能够自信且独立地使用Java或Python编程复杂系统。
·在机器学习、自然语言处理、知识表示与推理、语义技术等相关主题中至少有一个领域具有学术或行业经验。
·具备出色的报告撰写和演示能力。
·请注意，申请人还需满足曼彻斯特大学研究生学习的标准要求，如获得一等或高二级二等（或同等国际资格）学位以及英语语言资格，具体要求详见PGR指南。
我们强烈建议合格的申请人在申请前与Jiaoyan Chen（jiaoyan.chen@manchester.ac.uk）或Uli Sattler（uli.sattler@manchester.ac.uk）进行非正式联系，以讨论申请事宜。
资格要求
该博士项目的标准学术入学要求为：具有与博士项目直接相关的学科的高二级二等（2:1）荣誉学位（或国际同等学历），或任何高二级二等（2:1）荣誉学位以及在与博士项目直接相关的学科中具有优异成绩的硕士学位（或国际同等学历）。
资助
曼彻斯特大学提供大学、学院和系级层面的多种奖学金、助学金和奖项，以支持英国和海外的研究生研究人员。
欲了解更多信息，请访问我们的资助页面或搜索我们的资助数据库，以查找您可能符合资格的具体奖学金、助学金和奖项。
请联系导师讨论资助选项。
申请前
我们强烈建议您在申请前联系该项目的导师。请提供您当前的学习水平、学术背景以及任何相关经验的详细信息，并附上一段关于您申请该博士项目的动机的说明。
如何申请
您需要通过我们的网站在此提交在线申请：https://uom.link/pgr-apply-2425
申请时，您需要上传以下支持文件：
• 所有已获得的大学水平学历的最终成绩单和证书
• 任何正在进行的大学水平学历的临时成绩单
• 简历
• 您需要在申请表上提供两位推荐人的联系方式（请确保您提供的联系邮箱是官方大学/工作邮箱地址，因为我们可能需要核实推荐信）
• 支持声明：一页或两页的声明，概述您攻读研究生研究的动机、为何选择在曼彻斯特攻读研究生研究、任何相关研究或工作经验、您之前研究经验的关键发现以及您所掌握的技术和技能。（这对所有申请者都是必需的，缺少此声明将导致申请被搁置。）
• 英语语言证书（如适用）。如果您需要英语语言资格才能在英国学习，您可以现在申请并在稍后提交。
如果您对申请有任何疑问，请联系我们的招生团队FSE.doctoralacademy.admissions@manchester.ac.uk
我们建议您尽早申请，因为一旦职位被填补，该广告将被移除。
平等、多样性和包容性是曼彻斯特大学成功的基石，也是我们所有活动的核心。我们知道，多样性能够增强我们的研究社区，进而提高研究创造力、生产力和质量，以及社会和经济影响力。我们积极鼓励来自不同职业道路和背景以及社区各阶层的申请人，无论年龄、残疾、种族、性别、性别表达、性取向和跨性别身份如何。
我们还支持那些从职业中断或其他角色回归的人士申请。我们考虑提供灵活的学习安排（包括兼职：50%、60%或80%，具体取决于项目/资助方）。
参考文献
[1] He, Y., et al. "Language Model Analysis for Ontology Subsumption Inference." Findings of the ACL 2023.
[2] Hu, Nan, et al. "Can LLMs Evaluate Complex Attribution in QA? Automatic Benchmarking using Knowledge Graphs." ACL 2025.
【竞赛报名/项目咨询+微信：mollywei007】
