Semantic-Condition Tuning: Fusing Graph Context with Large Language Models for Knowledge Graph

该文章提出了一种名为“语义条件调优（SCT）”的新范式，用于将知识图谱（KG）与大型语言模型（LLM）深度融合，以解决知识图谱补全（KGC）任务中现有前缀调优方法融合浅显的问题，在多个基准数据集上实现了最优性能。

一、文章主要内容总结

1. 研究背景与问题
   • 知识图谱补全（KGC）旨在推断知识图谱中缺失的三元组（h, r, t），但现有方法存在不足：传统嵌入模型无法捕捉动态语境，基于LLM的方法多采用前缀调优，仅将知识嵌入与文本输入简单拼接，忽略了KG中的丰富关系语义，且给LLM带来沉重的隐式推理负担。
   • 核心需求：实现KG结构化知识与LLM参数化知识的深度、语义级融合，提升LLM在KGC任务中的推理准确性。
2. SCT框架核心构成
   • 语义图模块（Semantic Graph Module）：以关系为中心，利用图神经网络（GNN）提取局部图邻域的语境感知语义条件。先通过LLM为每个关系生成语义描述，再用Sentence-BERT编码为向量，基于余弦相似度筛选Top-K相关邻居，最后通过Transformer层更新关系状态，生成统一的语义条件向量（c_S）。
   • 条件自适应融合模块（Condition-Adaptive Fusion