.png){kind=icon}
返回
Query-Aware Temporal Knowledge Graph Reasoning with Multi-source Knowledge Based Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09321-9_6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱（TKGs）表示动态知识结构，编码实体间的时间敏感关系，使系统能够理解事实如何随时间演变。时序知识图谱推理（TKGR）的近期方法利用了大语言模型（LLMs），但面临显著局限性：它们通常仅依赖一阶历史信息，难以处理大量信息负载，且未能充分利用LLMs在语义相似信息推理方面的潜力。此外，现有方法要么缺乏可解释性，要么在有效时序规则学习方面存在困难。我们提出MSKGen（基于多源知识的生成），一种新颖的面向查询的TKGR方法，通过整合多种知识来源生成准确预测。通过整合基于规则的实体与语义检索的实体，MSKGen在保持可解释性的同时最大化LLMs的语义能力，解决了当前LLMs实现的信息负载挑战，并在结合结构化时序推理与语义理解方面为知识图谱推理任务提供了显著进展。在多个常用数据集上的实验结果证明了MSKGen的卓越性能，相较于当前最优方法实现了显著提升，验证了我们的多源知识整合方法在时序知识图谱推理任务中的有效性。
Keyword:
Temporal Knowledge Graph
Large Language Models
Retrieval-Augmented Generation
Logical Rules
期刊
C
IF:
0
论文数:
34
被引数:
0
机构
引用论文
.png){kind=icon}
Deja vu: Contrastive Historical Modeling with Prefix-tuning for Temporal Knowledge Graph Reasoning既视感：利用前缀调优的对比历史建模方法进行时序知识图谱推理
OAAI
OAAI分享收藏分享收藏 没有更多内容
没有更多内容