Move Beyond Triples: Contextual Knowledge Graph Representation and Reasoning

知识图谱（KG）是许多AI应用程序中的基础结构，通过三元组表示实体及其相互关系。然而，基于三元组的KG缺乏关系知识的上下文信息，如时间动态和来源细节，这对于全面的知识表示和有效的推理至关重要。相反，“上下文知识图谱”（CKGs）通过整合额外信息，如时间有效性、地理位置和来源可靠性，扩展了传统结构。这种整合提供了更细致和准确的知识理解，使KG能够提供更丰富的见解并支持更复杂的推理过程。在这项工作中，我们首先讨论了基于三元组的KG的固有局限性，并介绍了上下文KG的概念，突出了它们在知识表示和推理方面的优势。然后，我们提出了“KGR$^3$”，这是一种上下文丰富的KG推理范例，利用大型语言模型（LLMs）检索候选实体和相关上下文，根据检索到的信息对它们进行排序，并推理是否已获得足够的信息来回答查询。我们的实验结果表明，KGR$^3$显著提高了KG完成（KGC）和KG问答（KGQA）任务的性能，验证了将上下文信息整合到KG表示和推理中的有效性。

本论文试图解决知识图谱(KG)缺乏时间动态和来源信息的问题，提出了上下文知识图谱(CKG)的概念，并探讨其在知识表示和推理方面的优势。

论文提出了一种基于大型语言模型(LLMs)的上下文增强型知识图谱推理范式(KGR$^3$)，通过检索候选实体和相关上下文，对检索到的信息进行排名，并推理是否已获得足够信息来回答查询。

论文的实验结果表明，KGR$^3$在知识图谱补全(KGC)和知识图谱问答(KGQA)任务上显著提高了性能，验证了将上下文信息纳入知识表示和推理的有效性。

近期相关研究包括：《Temporal Knowledge Graph Completion》、《Knowledge Graph Embedding with Temporal Extensions》、《Knowledge Graph Completion with Adaptive Sparse Transfer Learning》等。