研究背景与意义
知识图谱(KG)作为表示和推理结构化知识的重要框架，在信息检索、问答系统和决策支持等领域发挥着关键作用。然而，知识图谱的不完整性严重限制了其实际应用效果。随着生成式AI特别是大型语言模型(LLMs)的快速发展，为知识图谱补全带来了新的机遇。本文提出的方法充分利用了LLM的预训练知识和推理能力，结合图的拓扑结构信息，实现了更高效的知识图谱补全。
核心创新点
生成式本体创建方法
利用LLM从原始知识图谱数据中直接提取结构化知识 通过迭代生成方法确保节点类别分配的一致性 为每个关系建立唯一的节点类别对，保持本体结构的规范性 拓扑信息增强的链接预测
结合生成的本体和图的拓扑信息进行链接预测 利用节点间的路径信息提供额外的推理依据 在传导性和归纳性设置下都表现出优异性能 候选解决方案生成机制
利用本体识别缺失三元组的候选解决方案 采用LLM进行正确解决方案的选择 不需要额外训练，具有即时应用性 数据预处理
合并训练图数据集，形成约90万个三元组的综合图谱 对每个关系采样50个连接示例用于本体类别推断 类别推断
使用GPT-4模型预测头尾实体的本体类别 允许模型复用已预测的类别，确保分类一致性 采用迭代方式处理同义词问题，避免类别重复 关系映射
为每个关系建立唯一的头尾节点类别对 将三元组(cvi,r,cvj)添加到本体集合E中 确保本体结构的清晰性和一致性 本体信息利用
根据关系和已知节点类别推断缺失节点的类别 利用本体路径提供额外的推理线索 构建基于本体的推理链进行预测 拓扑信息整合
分析图中节点间的路径关系 利用现有连接模式辅助预测 结合本体路径和图路径进行综合推理 候选方案生成与选择
基于本体类别生成初始候选集 采用批处理方式处理大规模候选集 使用LLM进行最终候选选择 归纳训练图：10,230个节点，96种关系，78,616个三元组 传导训练图：6,653个节点，96种关系，20,960个三元组 本体图：36个节点，96种关系，96个三元组 推理测试图：6,653个节点，96种关系，2,902个三元组 归纳训练图：46,626个节点，130种关系，202,446个三元组 传导训练图：29,246个节点，130种关系，77,044个三元组 本体图：42个节点，130种关系，130个三元组 推理测试图：29,246个节点，130种关系，10,184个三元组 LLM基础性能
GPT-4在无额外上下文情况下表现优异 ILPC-small数据集上Hit@1达到0.132 ILPC-large数据集上Hit@1达到0.146 候选方案增强效果
结合候选方案显著提升性能 ILPC-small上Hit@1提升至0.172 ILPC-large上Hit@1提升至0.177 本体信息贡献
本体信息进一步提升模型性能 归纳设置下性能显著优于基线方法 与现有最先进方法相比具有明显优势 闭世界假设
本体构建后不支持新实体添加 限制了在动态知识图谱环境中的适应性 图密度依赖
方法效果受图数据集密度影响 稀疏图谱可能影响本体路径的有效性 动态适应机制
研究在线学习技术 适应不断演化的知识图谱 外部信息整合
探索多源信息融合方法 增强知识图谱的完整性 实验验证扩展
在更多数据集上进行验证 探索不同应用场景的效果 创新性地结合了LLM的推理能力和图的拓扑信息 提出了高效的本体生成和利用方法 在传导性和归纳性设置下都取得了优异性能 不需要额外训练，具有即时应用价值
技术方法详解
1. 本体生成流程
本文提出的本体生成方法包含以下关键步骤：
2. 链接预测方法
在知识图谱补全任务中，本文方法分为以下几个关键环节：
实验结果与分析
1. 数据集
实验采用ILPC-small和ILPC-large两个数据集：
ILPC-small数据集统计：
ILPC-large数据集统计：
2. 性能评估
实验采用Hit@k (k=1,3,10)作为评估指标，主要发现包括：
研究局限性与未来展望
局限性：
未来研究方向：
结论
本文提出的方法在知识图谱补全任务中展现出显著优势，特别是：
该研究为知识图谱补全领域提供了新的研究思路，也为LLM在结构化知识处理方面的应用提供了有益参考。
