.png){kind=icon}
返回
Node importance estimation leveraging LLMs for semantic augmentation in knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114521.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
节点重要性估计（NIE）是一项量化图中节点重要性的任务。近期研究探讨了利用知识图谱（KGs）中的各种信息来估计节点重要性分数。然而，KGs中的语义信息可能不足、缺失或不准确，这会限制现有NIE模型的性能。为解决这些问题，我们利用大型语言模型（LLMs）进行语义增强，得益于LLMs的额外知识以及整合LLMs和KGs知识的双重能力。为此，我们提出了一种基于LLMs赋能的节点重要性估计（LENIE）方法，以增强KGs中的语义信息，从而更好地支持NIE任务。据我们所知，这是首次将LLMs引入NIE的研究。具体而言，LENIE采用了一种新颖的基于聚类的三元组采样策略，以提取从给定KG中采样的节点的多样化知识。随后，LENIE采用节点特定的自适应提示，整合采样的三元组和原始节点描述，这些内容随后输入LLMs以生成更丰富、更精确的增强节点描述。这些增强描述最终用于初始化节点嵌入，以提升下游NIE模型的性能。大量实验表明，LENIE在解决KGs语义不足方面具有有效性，能够实现更富有信息量的语义增强，并提升现有NIE模型达到当前最佳性能。LENIE的源代码可在https://github.com/XinyuLin-FZ/LENIE免费获取。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
查看更多机构
引用论文
暂无论文信息