.png){kind=icon}
返回
LLM-Align: Utilizing Large Language Models for Entity Alignment in Knowledge Graphs
.png){kind=icon}
PRE
AI
DOI：10.3724/2096-7004.di.2025.0072.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实体对齐（EA）旨在识别和匹配不同知识图谱（KGs）中的对应实体，在知识融合与集成中发挥着关键作用。基于嵌入的实体对齐（EA）近年来备受关注，催生了众多创新方法。最初，这些方法专注于基于知识图谱（KGs）的关系三元组定义的结构特征来学习实体嵌入。后续方法将实体的名称和属性作为补充信息整合进来，以改进用于EA的嵌入。然而，现有方法缺乏对实体属性和关系的深层语义理解。在本文中，我们提出了一种基于大型语言模型（LLM）的实体对齐方法LLM-Align，该方法探索大型语言模型的指令遵循和零样本能力以推断实体对齐。LLM-Align采用启发式方法选择实体的重要属性和关系，然后将选定的实体三元组输入LLM以推断对齐结果。为确保对齐结果的质量，我们设计了一种多轮投票机制以缓解LLM出现幻觉和位置偏差的问题。在三个EA数据集上的实验表明，我们的方法相较于现有EA方法实现了最先进的表现。
Keyword:
Entity alignment
Large language model
Attribute selection
Relation Selection
Multi-round Voting Mechanism
