.png){kind=icon}
返回
Prior Knowledge Augmentation for Reinforcement Learning-Based Knowledge Graph Reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5640-3_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多跳知识图谱推理通常采用强化学习框架，这使模型性能依赖于准确的奖励。现有方法利用知识图谱中的先验知识计算路径奖励，但由于知识不足导致奖励计算不准确。利用LLM的庞大内部知识计算奖励可以缓解该问题，但引入LLM也带来了语义信息丢失和高时间开销的问题。本文提出基于先验知识增强的知识图谱推理（PKA-KGR）。在PKA-KGR中，基于情境学习的语义增强策略能够减轻LLM处理过程中路径语义的损失。该策略通过相关上下文使LLM关注三元组中隐含的结构模式，从而增强对路径语义的捕捉。此外，PKA-KGR采用基于路径重要性的动态奖励策略，以减少频繁调用LLM造成的高时间开销。该策略动态识别重要路径，优先利用LLM内部知识计算其奖励，而非对所有路径使用LLM计算奖励。这种动态策略在减少LLM调用次数的同时避免了模型性能下降。我们在四个不同规模的数据集上对方法进行了评估，结果表明我们的方法优于现有方法。
Keyword:
Knowledge Graph Reasoning
Reinforcement Learning
Large Language Model
Reward Feedback
期刊
W
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
LLMs for knowledge graph construction and reasoning: recent capabilities and future opportunities
PREAI
分享收藏
查看更多内容