大型语言模型可以解决知识图谱补全任务，但可能会产生错误答案。实验结果表明，通过使用提示和两个显著的语言模型，LLMs在任务中可能适用。

大型语言模型可解决知识图谱补全任务，但可能产生错误答案。实验结果显示，使用提示和两个显著的语言模型可在任务中适用。

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在WN18RR和FB15K237数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在WN18RR和FB15K237数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在WN18RR和FB15K237数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

该研究提出了一种新的知识图谱补全方法，结合了两种现有方法，并通过学习查询相关的集成权重，在三个标准知识图谱补全数据集上取得了最先进的结果。

该研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在 WN18RR 和 FB15K237 数据集上超越了之前的结果。

该论文介绍了知识图谱补全中规则学习方法的高效、可解释性和与纯神经模型竞争的特点，提出了规则聚合问题的概念，并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示，并提出了一种既有效又被忽视的基准方法，与计算复杂度更高的方法具有竞争力。