学习链式思维提示词用于预测知识图谱中的实体、关系及文字量
计算与语言
2026-04-15 v1 人工智能
摘要
知识图谱嵌入模型在链接预测任务中表现良好，但在面对未出现的实体、关系，尤其是文字量时却难以应对，这限制了其在动态、异构图谱中的应用。相比之下，预训练的大语言模型（LLM）通过提示词能有效泛化。我们将链接预测问题重新表述为提示学习问题，引入 RALP，通过贝叶斯优化算法 MIPRO 学习基于字符串的链式思维（CoT）提示词作为三元组的评分函数。使用 MIPRO 算法进行贝叶斯优化，RALP 可仅凭不足 30 个训练样本即可识别有效提示词，且无需梯度访问。在推理阶段，RALP 预测缺失的实体、关系或完整三元组，并根据所学提示词分配置信度分数。我们在归纳、数值和 OWL 实例检索基准测试上进行评估。RALP 在数据集上比最先进的 KGE 模型提高了超过 5% 的 MRR，并通过高质量推断三元组提升了泛化能力。在处理包含复杂类表达式（如 , ）的 OWL 推理任务时，达到了超过 88% 的 Jaccard 相似度。这些结果凸显了基于提示的 LLM 推理作为嵌入方法的灵活替代方案。我们将实现、训练和评估管道作为开源项目发布：https://github.com/dice-group/RALP
引用
@article{arxiv.2604.12651,
title = {Learning Chain Of Thoughts Prompts for Predicting Entities, Relations, and even Literals on Knowledge Graphs},
author = {Alkid Baci and Luke Friedrichs and Caglar Demir and N'Dah Jean Kouagou and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2604.12651},
year = {2026}
}