Knowledge Graph Large Language Model (KG-LLM) for Link Prediction

本文介绍了一种新的方法——知识图谱大语言模型框架（KG-LLM），利用自然语言处理（NLP）和知识图谱嵌入技术的进步，以解决预测知识图谱（KGs）中多个链接的挑战。该框架利用了NLP的关键范式，包括思维链（CoT）提示和上下文学习（ICL），以增强KGs中的多跳链接预测。通过将KG转换为CoT提示，该框架旨在识别和学习实体及其相互关系的潜在表示。为了展示KG-LLM框架的有效性，我们在该框架内微调了三个领先的大语言模型（LLMs），采用非ICL和ICL任务进行全面评估。此外，我们还探索了该框架为LLMs提供零-shot能力处理以前未见过的提示的潜力。我们的实验结果发现，集成ICL和CoT不仅增强了我们方法的性能，而且显著提高了模型的泛化能力，从而确保在不熟悉的场景中进行更精确的预测。

如何提高知识图谱中多跳链接预测的准确性和泛化能力？

使用链式思维提示和上下文学习来增强知识图谱中的多跳链接预测。将知识图谱转换为链式思维提示，利用链式思维提示和上下文学习来学习实体和它们之间的潜在表示，从而提高预测准确性和泛化能力。

该论文提出了一种新的方法，KG-LLM框架，用于增强知识图谱中多跳链接预测的准确性和泛化能力。该论文在三个领先的大型语言模型上进行了fine-tune，同时使用非ICL和ICL任务进行了全面的评估。实验结果表明，将ICL和CoT结合起来不仅增强了该方法的性能，而且显著提高了模型的泛化能力，从而确保在不熟悉的情况下进行更精确的预测。

最近的相关研究包括：《Multi-hop Knowledge Graph Reasoning with Reward Shaping》、《Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signals》等。