OMNIA：利用大语言模型完成知识图谱
数据库
2026-03-17 v1 人工智能
摘要
知识图谱（KGs）广泛用于表示结构化知识，但其自动构建（尤其是使用大语言模型LLM）常常导致输出不完整或噪声较大。知识图谱完成（KGC）旨在推断并添加缺失的三元组，但大多数现有方法要么依赖忽略语义的结构嵌入，要么依赖忽略图结构、依赖外部来源的语言模型。在本工作中，我们提出了OMNIA，一个两阶段方法，用于桥接结构推理与语义推理。它首先通过聚类KG中语义相关实体和关系来生成候选三元组，然后通过轻量级嵌入过滤 followed by LLM-based语义验证来验证。OMNIA仅在内部KG上运行，不依赖外部来源，特别针对LLM生成图中最常见的隐式语义。在多个数据集上进行的广泛实验表明，OMNIA的F1分数显著高于传统基于嵌入的方法。这些结果突显了OMNIA的有效性和效率：其聚类和过滤阶段减少了搜索空间和验证成本，同时保持了高质量的完成。
引用
@article{arxiv.2603.11820,
title = {OMNIA: Closing the Loop by Leveraging LLMs for Knowledge Graph Completion},
author = {Frédéric Ieng and Soror Sahri and Mourad Ouzzani and Massinissa Hammaz and Salima Benbernou and Hanieh Khorashadizadeh and Sven Groppe and Farah Benamara},
journal= {arXiv preprint arXiv:2603.11820},
year = {2026}
}