本文是LLM系列文章,针对《Knowledge Graph Large Language Model (KG-LLM) for Link Prediction》的翻译。
摘要
预测知识图谱(KG)中的多个链接是知识图谱分析领域的一个挑战,由于自然语言处理(NLP)和KG嵌入技术的进步,这一挑战越来越容易解决。本文介绍了一种新的方法,即知识图谱大型语言模型框架(KG-LLM),它利用了关键的NLP范式。我们使用我们的方法将结构化知识图谱数据转换为自然语言,然后使用这些自然语言提示来微调大型语言模型(LLM),以增强KGs中的多跳链接预测。通过将KG转换为自然语言提示,我们的框架旨在识别和学习实体的潜在表示及其相互关系。为了显示KG-LLM框架的有效性,我们在该框架内微调了三个领先的LLM,同时使用非ICL和ICL任务进行全面评估。此外,我们还探讨了该框架为LLM提供零样本功能以处理以前看不见的提示的潜力。我们的实验发现,我们的方法的性能可以显著提高模型的泛化能力,从而确保在不熟悉的场景中进行更精确的预测。