检索增强的语言模型用于极端多标签知识图链接预测

结合伪图生成和原子知识验证的框架，利用知识图谱增强大型语言模型，开放式问题的ROUGE-L得分提高11.5，精确问题的准确度提高7.5。

使用多任务框架将文本描述与知识图谱实体关联，改进知识图谱性能，实验显示文本增强的知识图谱在链接预测中的MRR和Hits@10分别提高5.5%和3.5%。

在医学领域，自我完善的知识图谱检索方法显著提高大型语言模型的真实性，降低谬误和虚构内容。

提出的知识图大型语言模型框架（KG-LLM）通过链式思维和上下文学习提高多跳链接预测效果，增强模型的泛化能力。

知识图谱增强的假设知识图谱增强框架（HyKGE）在解决精度和可解释性挑战方面表现卓越，适用于医学领域复杂场景。

基于信息检索和语义解析的方法在多跳问题上展示了语言模型在知识图谱中的问答能力的竞争力。

提出使用外部知识图谱和密集索引提高自然语言理解模型的参数效率，证明学习到的实体表示的实用性。

引入可检索增强的大型语言模型（LLMs），拓展其应用领域，提出新颖的可训练架构解决相似实体名之间的相关性分配问题。

基于知识的多语言语言模型通过生成多语言合成句子和设计预训练任务，实现对事实知识和逻辑模式的学习，跨语言任务性能显著提升。

迭代检索-生成的协作框架利用参数化和非参数化知识，显著提高大型语言模型的推理能力，单跳和多跳问答任务上取得显著改进。