Contextual Knowledge Graph

知识图谱（KG）是许多人工智能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”（CKG）通过整合额外的信息，如时间有效性、地理位置和来源可靠性，扩展了传统的结构。这种整合提供了更加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（LLM）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，并推断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。

本论文试图通过引入上下文信息来解决三元组知识图谱缺乏关系知识的问题，提高知识图谱的表征和推理能力。这是一个新的问题。

论文提出了一种基于大语言模型的上下文增强知识图谱推理模型KGR$^3$，该模型通过检索候选实体和相关上下文，根据检索到的信息对候选实体进行排序，并推理是否已获得足够信息来回答查询。相比传统的三元组知识图谱，KGR$^3$在知识表征和推理方面具有更好的性能。

本论文的实验结果表明，KGR$^3$在知识图谱补全和知识图谱问答任务上显著提高了性能，证明了引入上下文信息对知识表征和推理的有效性。论文还提出了一种上下文增强的知识图谱表示方法，将时间有效性、地理位置和来源可信度等信息整合到知识图谱中，提高了知识的准确性和全面性。论文使用了多个数据集进行实验，并开源了代码。

近年来，上下文增强的知识图谱表示和推理方法备受关注。其中，有一些研究使用注意力机制来整合上下文信息，如R-GCN、GAT等。另外，还有一些研究探索如何将多模态信息整合到知识图谱中，如KG-BERT、ViKG等。