zrLLM：基于大语言模型的时间知识图谱零样本关系学习
人工智能
2024-03-18 v2 计算与语言
机器学习
摘要
对时间知识图谱（TKG）上演化知识的建模已成为热门话题。已有多种方法被提出用于预测 TKG 上的链接。其中大多数基于嵌入，通过学习隐表示来依据观测到的图上下文表示知识图谱（KG）的实体与关系。尽管这些方法在传统 TKG 预测（TKGF）基准上表现出色，但在建模无先验图上下文的未见过零样本关系时面临严峻挑战。本文尝试通过以下方式缓解该问题：首先将 KG 关系的文本描述输入大语言模型（LLM）以生成关系表示，再将其引入基于嵌入的 TKGF 方法。LLM 赋能的表示能够捕获关系描述中的语义信息，使得无论已见或未见、语义相近的关系在嵌入空间中彼此靠近，从而使 TKGF 模型即便无任何观测图上下文也能识别零样本关系。实验结果表明，我们的方法帮助 TKGF 模型在预测含先前未见关系的实事上取得更优性能，同时保持其对已见关系的链接预测能力。
引用
@article{arxiv.2311.10112,
title = {zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models},
author = {Zifeng Ding and Heling Cai and Jingpei Wu and Yunpu Ma and Ruotong Liao and Bo Xiong and Volker Tresp},
journal= {arXiv preprint arXiv:2311.10112},
year = {2024}
}
备注
Accepted to NAACL 2024 main conference