基于子图的知识图谱补全的文本方法训练
内容提要
本文探讨了如何利用大型语言模型（LLM）增强知识图谱（KG）的推理能力。提出的结构感知推理框架通过嵌入结构信息，显著提升了知识推理性能，尤其在关联预测任务中表现优异。此外，结合实体锚点和负采样的方法提升了知识图谱补全效果，并提出了多语言知识图谱补全的预训练模型，验证了其在多个基准测试中的优越性。
延伸解读
结构信息与语义信息的融合趋势
文章梳理的多项研究显示，知识图谱补全正从单纯依赖文本语义转向结构信息与语义信息的融合。例如，结合实体锚点和负采样的方法统一了结构信息和语义信息，在关联预测任务上表现最佳；CSProm-KG通过平衡结构信息和文本知识，仅调整条件软提示参数即取得优越效果。这表明，如何有效嵌入和平衡结构信息是提升补全性能的关键方向。
预训练模型与提示学习的应用
多篇工作采用预训练语言模型（PLM）和提示学习来增强知识图谱补全。KICGPT整合LLM和三元组知识，使用知识提示解决长尾问题，无需额外训练和微调；TAGREAL从大型文本语料库检索支持信息，自动生成高质量查询提示，实现开放知识图谱补全。这些方法降低了训练成本，同时提升了效率，为实际部署提供了新思路。
多语言与动态知识图谱的进展
文章提到，通过引入全局和局部知识约束的预训练模型，在多语言知识图谱补全任务上，Hits@1和Hits@10平均提升了12.32%和16.03%。CSProm-KG也在多个静态和动态知识图谱补全基准测试中验证了有效性。这表明，知识图谱补全技术正逐步适应多语言和动态变化的场景，提升了模型的泛化能力和实用性。
性能提升与评估指标
多项研究在标准指标上取得了显著提升。MoCoSA在平均倒数排名（MRR）上达到最先进水平，在WN18RR上提高了2.5%，在OpenBG500上提高了21%。多语言模型在Hits@1和Hits@10上平均提升超过12%和16%。这些数据表明，结构增强和预训练策略能有效提升知识图谱补全的准确性，但不同数据集上的提升幅度差异也提示了方法适用性的边界。
Q&A
如何利用大型语言模型增强知识图谱的推理能力？
通过将知识图谱中的结构信息嵌入到大型语言模型中，可以显著提高其知识推理能力。
CSProm-KG方法的主要特点是什么？
CSProm-KG方法通过平衡结构信息和文本知识来完成知识图谱的补全任务，并在多个基准测试中验证了其有效性。
多语言知识图谱补全的预训练模型有什么优势？
该模型在多个基准测试中表现优越，平均提升了12.32%和16.03%的性能，适应mKGC任务。
ReasoningLM模型的创新之处在哪里？
ReasoningLM直接支持子图推理，超越了现有的KGQA模型，提升了推理能力。
如何结合实体锚点和负采样来提升知识图谱补全效果？
结合实体锚点和负采样的方法有效统一了结构信息和语义信息，从而提升了知识图谱补全的性能。
MoCoSA模型在知识图谱补全中有什么优势？
MoCoSA通过可适应的结构编码器提高学习效率，在多个数据集上达到了最先进水平。
