Unlocking the Power of Large Language Models for Entity Alignment

本文是LLM系列文章，针对《Unlocking the Power of Large Language Models for Entity Alignment》的翻译。

摘要

实体对齐（EA）对于集成各种知识图谱（KG）数据至关重要，在数据驱动的人工智能应用中发挥着至关重要的作用。传统的EA方法主要依赖于比较实体嵌入，但其有效性受到有限的输入KG数据和表示学习技术能力的限制。在此背景下，我们介绍了ChatEA，这是一个创新的框架，它结合了大型语言模型（LLM）来改进EA。为了解决有限输入KG数据的限制，ChatEA引入了一个KG代码翻译模块，该模块将KG结构翻译成LLM可以理解的格式，从而允许LLM利用其广泛的背景知识来提高EA的准确性。为了克服对实体嵌入比较的过度依赖，ChatEA实施了两阶段EA策略，该策略利用LLM在对话格式中进行多步骤推理的能力，从而在保持效率的同时提高准确性。我们的实验结果肯定了ChatEA的卓越性能，突出了LLM在促进EA任务方面的潜力。

1 引言

2 前言和相关工作

3 方法

4 实验

5 结论

在本文中，我们专注于利用LLM的能力进行EA，从而开发ChatEA。这一创新框架旨在应对三个关键挑战：（1）提高LLM解释和理解KGs的能力，（2）利用LLM中的固有知识进行更有效的EA，以及（3）提高LLMs在EA环境中的效率。我们在四个具有代表性的数据集上进行的