返回
Large Language Model Enhanced Knowledge Representation Learning: A Survey
DOI:10.1007/s41019-025-00285-y.png)
摘要
En 中文
知识表示学习(KRL)通过将知识图谱(KGs)中的知识事实投射到向量空间,对于实现符号知识在下游任务中的应用至关重要。尽管KRL方法在建模KG结构信息方面具有有效性,但它们正受到KG稀疏性的困扰。基于Transformer架构构建的大型语言模型(LLMs)的兴起,为通过整合文本信息来增强KRL并解决KG信息稀疏性问题提供了有前景的机会。LLM增强的KRL方法,包括三种关键途径:利用详细上下文信息的编码器基方法、采用统一Seq2Seq模型进行综合编码和解码的编码器-解码器基方法,以及利用大规模语料库广泛知识的解码器基方法,这些方法显著提升了KRL在应对各类下游任务时的有效性和泛化能力。本研究不仅提供了对下游任务的广泛概述,同时也识别了这些发展中领域的新兴研究方向。
Keyword:
Knowledge graph
Large language model
Knowledge representation learning
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
4.6
论文数:
249
被引数:
665
机构
引用论文
A convolutional neural network-based model for knowledge base completion and its application to search personalization
SEMANTIC WEB
IF2.9
ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge GraphReasoningLM:在预训练语言模型中实现结构子图推理,以支持知识图谱上的问答

