本研究提出了一种名为ZSLLM的框架，旨在解决多模态知识图谱嵌入中的零样本学习问题，包括信息转移和新类别关系推断。实验结果表明，ZSLLM在多个真实数据集上表现优于现有技术，具备良好的扩展性和实用性。

该研究解决了多模态知识图谱中模态定义和建模不一致的问题。通过引入新的本体设计模式，成功分离实体及其多种语义形式，促进多模态本体的整合，对智能应用的跨领域发展有重要影响。

本文介绍了AIGC和多模态知识图谱（MMKG）的知识获取方法和应用场景。AIGC技术可以辅助KG表示学习和KG补全，同时也可以帮助进行Schema融合和实体对齐。未来，我们可以进一步探索多模态知识图谱（MMKG）和拓展AIGC技术的应用场景，开发更加丰富和智能的知识服务和应用。