论文浅尝 | KG-FIT: 融合开放世界知识的知识图谱嵌入优化框架（NeurIPS2024）

文章预览

笔记整理： 汪俊杰，浙江大学硕士生，研究方向为知识图谱、大语言模型 论文链接： https://arxiv.org/pdf/2405.16412 发表会议： NeurIPS 2024 1. 动机 知识图谱嵌入（ Knowledge Graph Embedding, KGE ）通过将实体和关系映射到低维向量空间，支持高效的推理和知识发现。然而，传统 KGE 方法只依赖于图谱结构，忽略实体在开放世界中的丰富语义信息（如背景知识和上下文关联）。而对于一些基于预训练语言模型（ PLM ）进行微调 KG 数据的方法来说，现有方法计算成本高且难以适配大语言模型（ LLM ），且受限于 KG 自身的知识覆盖范围。例如， KG 中可能包含“爱因斯坦”和“相对论”的关系，但缺乏对其生平和其他贡献的细节描述，而 LLM 可以提供更全面的语义补充。 因此在这项工作提出了 KG-FIT 算法来解决上述问题，在不微调 LLM 的前提下，直接利用 LLM 的开放世 ………………………………