GS-Quant：面向知识图谱补全的粒度语义与生成式结构量化

大语言模型在知识图谱补全中展现出巨大潜力，然而，弥合连续图嵌入与离散LLM标记之间的模态差距仍然是一个关键挑战。尽管最近的基于量化的方法试图对齐这些模态，但它们通常将量化视为扁平化的数值压缩，导致语义纠缠的编码，无法反映人类推理的层次化本质。在本文中，我们提出GS-Quant，一个新颖的框架，为知识图谱实体生成语义连贯且结构分层的离散编码。与先前方法不同，GS-Quant基于实体表示应遵循语言上从粗到细逻辑的洞察。我们引入了一个粒度语义增强模块，将层次化知识注入码本，确保早期编码捕捉全局语义类别，而后期编码细化特定属性。此外，一个生成式结构重建模块对编码序列施加因果依赖，将独立的离散单元转化为结构化的语义描述符。通过用这些学习到的编码扩展LLM词汇表，我们使模型能够以与自然语言生成同构的方式对图结构进行推理。实验结果表明，GS-Quant显著优于现有的基于文本和基于嵌入的基线。我们的代码公开于https://github.com/mikumifa/GS-Quant。