超级会员免费看
本文介绍了一种名为KG-LLM的新框架，用于知识图谱的链接预测。该框架将结构化知识图谱转换为自然语言提示，通过微调大型语言模型（LLM）来增强多跳链接预测。实验表明，KG-LLM提高了模型的泛化能力，尤其是在处理预训练中未见过的任务时。未来的工作将关注模型的推理过程、指令流程优化和提示质量过滤，以提升预测准确性和可靠性。
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。
订阅专栏 解锁全文
410
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
