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。