Multi-perspective Improvement of Knowledge Graph Completion with Large Language Models

本文是LLM系列文章，针对《Multi-perspective Improvement of Knowledge Graph Completion
with Large Language Models》的翻译。

摘要

知识图谱补全（KGC）是一种广泛使用的方法，通过对缺失链接进行预测来解决知识图谱中的不完整问题。基于描述的KGC利用预训练的语言模型来学习具有名称或描述的实体和关系表示，这显示出有希望的结果。然而，基于描述的KGC的性能仍然受到文本质量和不完整结构的限制，因为它缺乏足够的实体描述，并且仅依赖于关系名称，导致次优结果。为了解决这个问题，我们提出了MPIKGC，这是一个通用框架，通过从各个角度查询大型语言模型（LLM）来弥补上下文知识的不足，并改进KGC，其中包括利用LLM的推理、解释和摘要功能来分别扩展实体描述、理解关系和提取结构。我们基于四个基于描述的KGC模型和四个数据集，针对链接预测和三元组分类任务，对我们的框架的有效性和改进进行了广泛的评估。

1 引言

2 相关工作

3 方法

4 实验

5 结论

在本文中，我们提出了MPIKGC，这是一个新的框架，它从三个角度研究通过查询LLM来提高KGs的质量：通过设计Chainof Thought提示符来扩展实体描述，通过设计全局、局部和反向提示符来增强对关系的理解，以及通过关键字摘要和匹配来提取结构数据。
我们在用于链接预测任务的WN18RR和FB15k237数据集以及用于三元组分类任务的WN11和FB13数据集上评估了MPIKGC。大量实验的结果表明，我们的方法比四个基于描述的KGC模型有了显著的改进。此外，额外的消融实验突出了将不同的增强方法相结合以