论文浅尝 | One model for all KGs：基于上下文提示的知识图谱基座模型 （Neu...

主要观点总结

该文章介绍了一种基于上下文提示的知识图谱推理基座模型KG-ICL，该模型能够在任意知识图谱上进行推理，实现了图谱级的强泛化。它通过编码包含查询关系实例的子图来获得提示关系向量，避免了特定实体和关系相关参数的依赖，具有卓越泛化能力。文章还介绍了该模型在两个辅助工具——提示图和统一分词器——的支持下实现的推理流程，并在多个数据集上进行了实验验证。

关键观点总结

关键观点1: KG-ICL模型的泛化能力

KG-ICL能够实现仅通过一个基座模型在任意知识图谱上进行推理，避免了为每个知识图谱分别训练模型的耗时和计算资源浪费。该模型具备在静态和动态知识图谱上的卓越泛化能力，并在大多数数据集上超过了当前有监督的SOTA方法。

关键观点2: 模型的关键技术

KG-ICL通过编码包含查询关系实例的子图来获得提示关系向量，基于提示向量初始化知识图谱中的实体和关系向量。此外，它定义了两个辅助工具——提示图和统一分词器，来解决不同知识图谱间符号系统带来的泛化难题。

关键观点3: 实验验证

文章在三种设定下的43个数据集上对KG-ICL进行了实验验证，结果表明其在不同类型的知识图谱上均展现了卓越的泛化能力。此外，消融实验也证实了提示图等模块对整体性能的积极影响。

免责声明