.png){kind=icon}
返回
Rules-Guided Retrieval-Augmented Generation for Temporal Knowledge Graph Reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5640-3_29.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（TKG）逻辑推理旨在通过学习TKG中的逻辑相关性来预测未来事实。然而，传统的检索增强生成（RAG）方法依赖非结构化文本作为检索空间，无法捕捉和利用检索内容中的隐含逻辑相关性。此外，传统的规则置信度计算方法在引入时序逻辑规则时会显著限制模型的泛化能力。为解决这些挑战，我们提出了一种新的TKG推理框架Ru1eRAG（整合规则与RAG）。该框架利用大型语言模型（LLMs）验证时序逻辑规则的置信度，并将规则与查询作为输入应用于LLMs。实验结果表明，Ru1eRAG优于当前最优模型。
Keyword:
Temporal Knowledge Graph Reasoning
Logical Rules
Large Language Model
Retrieval-Augmented Generation
期刊
W
IF:
0
论文数:
32
被引数:
0
机构
引用论文
Temporal knowledge graph forecasting without knowledge using in-context learning基于上下文学习的不使用知识的时间知识图谱预测.png)
OAAI
IF0
OAAI分享收藏Pre-trained language model with prompts for temporal knowledge graph completion带提示的预训练语言模型用于时序知识图谱补全OAAI
IF0
OAAI分享收藏
查看更多内容