KERMIT：基于逆变换增强关系建模的知识图谱补全
计算与语言
2025-04-08 v3
摘要
知识图谱补全（KGC）旨在利用可用信息填充知识图谱中缺失的三元组。基于文本的方法依赖三元组的文本描述，当这些描述缺乏足够信息进行准确预测时常常遇到困难——这是数据集固有的问题，仅靠建模难以解决。为此并确保数据一致性，我们首先使用大语言模型（LLMs）生成连贯的描述，弥合查询与答案之间的语义鸿沟。其次，我们利用逆关系创建对称图，从而为 KGC 提供增广的训练样本。此外，我们借助知识图谱（KGs）中固有的标签信息来增强现有的对比框架，使其变为全监督。这些努力在 WN18RR 和 FB15k-237 数据集上带来了显著的性能提升。根据标准评价指标，我们的方法在 WN18RR 上的 Hit@1 提升了 4.2%，在 FB15k-237 上的 Hit@3 提升了 3.4%，展现出优越性能。
引用
@article{arxiv.2309.14770,
title = {KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation},
author = {Haotian Li and Bin Yu and Yuliang Wei and Kai Wang and Richard Yi Da Xu and Bailing Wang},
journal= {arXiv preprint arXiv:2309.14770},
year = {2025}
}
备注
Accepted to Knowledge-Based Systems