Multi-perspective Improvement of Knowledge Graph Completion with Large Language Models

知识图谱补全（KGC）是一种广泛使用的方法，用于解决知识图谱（KGs）中的不完整性问题，通过预测缺失的链接。基于描述的KGC利用预训练的语言模型学习实体和关系的表示，其中包括它们的名称或描述，这显示出了有希望的结果。然而，基于描述的KGC的性能仍然受到文本质量和不完整结构的限制，因为它缺乏足够的实体描述，仅依赖关系名称，导致次优结果。为了解决这个问题，我们提出了MPIKGC，这是一个通用的框架，用于弥补上下文知识的不足，并通过从各种角度查询大型语言模型（LLMs）来改善KGC，其中涉及利用LLMs的推理、解释和总结能力来扩展实体描述、理解关系和提取结构。我们基于四个基于描述的KGC模型和四个数据集进行了广泛的评估，用于链接预测和三元组分类任务，以验证我们框架的有效性和改进。

论文旨在解决知识图谱中存在的不完整性问题，提出了MPIKGC框架来改善基于描述的KGC模型的性能。

MPIKGC框架通过从多个角度查询大型语言模型来补偿上下文知识的不足，从而扩展实体描述、理解关系和提取结构，从而改善KGC的性能。

论文对MPIKGC框架在四个数据集上进行了广泛的评估，包括链接预测和三元组分类任务。实验结果表明，MPIKGC框架可以显著提高基于描述的KGC模型的性能。

最近的相关研究包括：1）利用预训练语言模型来改善KGC；2）利用外部知识图谱来改善KGC；3）利用图神经网络来改善KGC。