论文浅尝 | 探索基于大模型的知识图谱补全

笔记整理：张溢弛，浙江大学硕士，研究方向为知识图谱链接：https://arxiv.org/abs/2308.139161、动机知识图谱在众多人工智能任务中发挥着重要作用，但它们经常面临不完整的问题。在本论文中，作者探索了如何利用大型语言模型（LLM）来完成知识图谱补全任务。作者通过将知识图谱中的三元组视为文本序列，并引入了一个名为知识图谱 LLM（KG- LLM）的框架来为这些三元组建模。本文提出的技术利用三元组的实体和关系描述作为提示，并利用LLM的回答进行判定。2、贡献为了解决上面提到的这个问题，在本研究中，我们提出了一种使用大型语言模型完成知识图谱的新方法。具体来说，我们将实体、关系和三元组视为文本序列，并将知识图谱补全建模为序列到序列问题。我们使用开放式 LLM对这些序列进行指令调整，以预测三元组或实体/关系的可信度。该 ………………………………