利用LLM进行节点重要性估计：面向知识图谱的语义增强

节点重要性估计（NIE）是衡量图中节点重要性的任务。近期研究探索了从知识图谱（KGs）中利用各种信息来估计节点重要性得分。然而，知识图谱中的语义信息可能不足、缺失或不准确，这会限制现有NIE模型的性能。为解决这些问题，本文利用大型语言模型（LLMs）进行语义增强，因为LLMs具备额外的知识和整合来自LLMs和KGs知识的能力。为此，我们提出了LLMs赋能的节点重要性估计（LENIE）方法，用于增强知识图谱中的语义信息以更好地支持NIE任务。据我们了解，这是首个将LLMs纳入NIE的工作。具体而言，LENIE采用一种 novel 的基于聚类的三元组抽样策略，从给定KG中抽样的节点中提取多样化的知识。随后，LENIE采用节点特定的自适应提示将抽样的三元组和原始节点描述整合起来，这些内容随后输入LLMs以生成更丰富、更精确的增强节点描述。这些增强后的描述最终用于初始化节点嵌入，以提升下游NIE模型的性能。大量实验表明，LENIE在解决知识图谱语义不足问题方面效果显著，实现了更具信息性的语义增强，并使现有NIE模型实现了最先进的性能。LENIE的源代码已公开于\url{https://github.com/XinyuLin-FZ/LENIE}。