基于大语言模型的多模态知识图谱嵌入零样本学习方法
人工智能
2025-04-08 v2
摘要
零样本学习(ZL)对于涉及未见类别的任务至关重要,例如自然语言处理、图像分类和跨语言迁移。当前应用通常无法准确推断和处理涉及未见类别的新关系或实体,严重限制了其在开放域场景中的可扩展性和实用性。在多模态知识图谱(MMKG)嵌入表示学习中,ZL学习面临着有效迁移未见类别语义信息的挑战。在本文中,我们提出了ZSLLM,一个利用大语言模型(LLM)进行MMKG零样本嵌入学习的框架。我们利用未见类别的文本模态信息作为提示,以充分利用LLM的推理能力,实现未见类别在不同模态间的语义信息迁移。通过基于模型的学习,增强了MMKG中未见类别的嵌入表示。在多个真实世界数据集上进行的大量实验表明,与SOTA方法相比,我们的方法具有优越性。
引用
@article{arxiv.2503.07202,
title = {A Zero-shot Learning Method Based on Large Language Models for Multi-modal Knowledge Graph Embedding},
author = {Bingchen Liu and Jingchen Li and Yuanyuan Fang and Xin Li},
journal= {arXiv preprint arXiv:2503.07202},
year = {2025}
}