超越补全：面向通用知识图谱推理的基础模型
计算与语言
2025-05-29 v1 人工智能
摘要
在自然语言处理（NLP）和计算机视觉（CV）中，基础模型在多种任务中的成功应用展示了其巨大的潜力。然而，尽管知识图谱（KG）蕴含丰富的结构和文本信息，现有针对 KG 的基础模型研究主要集中在其结构方面，且大多数工作局限于 KG 内部任务（例如，知识图谱补全，KGC）。这一局限性阻碍了在解决更具挑战性的 KG 外部任务方面的进展。本文引入 MERRY，一种用于通用知识图谱推理的基础模型，并研究其在两类任务上的性能：KG 内部推理任务（例如 KGC）和 KG 外部任务（例如，知识图谱问答，KGQA）。我们不仅利用了 KG 中的结构信息，还利用了文本信息。具体而言，我们提出一种多视角条件消息传递（CMP）编码架构，以弥合文本与结构模态之间的鸿沟，实现它们的无缝整合。此外，我们引入动态残差融合模块以选择性地保留相关文本信息，并引入灵活的边评分机制以适应多样的下游任务。在 28 个数据集上的综合评估表明，MERRY 在大多数场景中优于现有基线，展示了在 KG 内部强大的推理能力以及对 KGQA 等 KG 外部任务的出色泛化能力。
引用
@article{arxiv.2505.21926,
title = {Beyond Completion: A Foundation Model for General Knowledge Graph Reasoning},
author = {Yin Hua and Zhiqiang Liu and Mingyang Chen and Zheng Fang and Chi Man Wong and Lingxiao Li and Chi Man Vong and Huajun Chen and Wen Zhang},
journal= {arXiv preprint arXiv:2505.21926},
year = {2025}
}
备注
ACL 2025 Findings