GS-KGC：基于大语言模型的知识图谱补全生成子图框架
计算与语言
2025-01-06 v2 人工智能
摘要
知识图谱补全（KGC）致力于识别知识图谱（KG）中的缺失三元组，这对许多下游应用至关重要。随着大语言模型（LLM）的快速发展，一些基于 LLM 的方法被提出用于 KGC 任务。然而，大多数方法侧重于提示工程，而忽视了更精细的子图信息可以帮助 LLM 生成更准确答案这一事实。本文提出了一种新的补全框架——生成式子图 KGC（GS-KGC），该框架利用子图信息作为上下文推理，并采用问答（QA）方法来实现 KGC 任务。该框架主要包括一个子图划分算法，用于生成负样本和邻居。具体而言，负样本可以鼓励 LLM 生成更广泛的答案，而邻居则为 LLM 推理提供额外的上下文洞察。此外，我们发现 GS-KGC 可以发现 KG 中潜在的三元组以及 KG 之外的新事实。在四个常见 KGC 数据集上进行的实验突显了所提 GS-KGC 的优势，例如在 FB15k-237N 上相比基于 LLM 的模型 CP-KGC，Hits@3 提高了 5.6%，在 ICEWS14 上相比基于 LLM 的模型 TECHS 提高了 9.3%。
引用
@article{arxiv.2408.10819,
title = {GS-KGC: A Generative Subgraph-based Framework for Knowledge Graph Completion with Large Language Models},
author = {Rui Yang and Jiahao Zhu and Jianping Man and Hongze Liu and Li Fang and Yi Zhou},
journal= {arXiv preprint arXiv:2408.10819},
year = {2025}
}