GenIC：基于LLM的知识图谱实例补全框架
人工智能
2025-06-02 v1 信息检索
摘要
知识图谱补全旨在通过添加表示事实的新三元组来填补知识库的空白。此任务的复杂性取决于三元组中已知部分的数量。实例补全涉及在仅给定头实体时预测关系-尾实体对。值得注意的是，现代知识库通常包含实体描述和类型，这可以为推断缺失事实提供有价值的上下文。通过利用这些文本描述以及大语言模型从中提取事实并识别知识图谱模式内模式的能力，我们提出了一种基于LLM的端到端实例补全方法。具体而言，我们引入了GenIC：一个两步生成式实例补全框架。第一步侧重于属性预测，被视为多标签分类任务。第二步是链接预测，被构建为生成式序列到序列任务。在三个数据集上的实验结果表明，我们的方法优于现有基线。我们的代码可在 https://github.com/amal-gader/genic 获取。
引用
@article{arxiv.2505.24036,
title = {GenIC: An LLM-Based Framework for Instance Completion in Knowledge Graphs},
author = {Amel Gader and Alsayed Algergawy},
journal= {arXiv preprint arXiv:2505.24036},
year = {2025}
}