检索、推理、重排序：一种上下文增强的知识图谱补全框架

知识图谱补全（KGC）任务旨在推断不完整三元组中缺失的实体。现有的基于嵌入的方法仅依赖于知识图谱中的三元组，这容易受到似是而非的关系模式和长尾实体的影响。另一方面，基于文本的方法难以处理知识图谱三元组与自然语言之间的语义鸿沟。除三元组外，实体上下文（如标签、描述、别名）在增强知识图谱方面也发挥着重要作用。为了解决这些局限性，我们提出了KGR3，一种用于KGC的上下文增强框架。KGR3由三个模块组成。首先，检索模块从知识图谱中收集支持三元组，从基础嵌入模型中收集合理的候选答案，并为每个相关实体检索上下文。然后，推理模块使用大型语言模型为每个查询三元组生成潜在答案。最后，重排序模块结合上述两个模块的候选答案，并微调一个LLM以提供最佳答案。在广泛使用的数据集上进行的大量实验表明，KGR3能够持续改进各种KGC方法。具体来说，KGR3的最佳变体在FB15k237和WN18RR数据集上分别实现了12.3%和5.6%的绝对Hits@1提升。