主要观点总结
文章介绍了知识图谱补全的重要性及其现有解决方案的不足，并重点介绍了一种名为KGR³的KGC框架，包括其三个模块：检索模块、推理模块和重排序模块。该框架利用大语言模型的上下文感知推理能力来解决知识图谱补全问题。经过实验验证，KGR³框架在性能上有所提升，并在推荐系统、信息检索等领域具有应用价值。文章还介绍了KGR³框架的未来扩展计划，例如处理归纳式知识图谱补全和基于知识的问答等任务。
关键观点总结
关键观点1: 知识图谱补全的重要性及其现有解决方案的不足
知识图谱是一种关键的知识组织形式，但存在严重的不完整问题。现有的解决方案大多基于预设的几何空间假设或文本方法，存在依赖结构化三元组的上下文语义不足、处理长尾实体时表现不佳等问题。
关键观点2: KGR³框架的构成及工作原理
KGR³框架包括检索模块、推理模块和重排序模块。检索模块负责收集与待补全三元组相关的语义和结构化知识；推理模块利用大语言模型的上下文感知推理能力生成可能的答案；重排序模块整合并重排候选答案，使满足不完整三元组的最佳实体排在较前位置。
关键观点3: KGR³框架的实验验证
实验结果表明，KGR³框架在文本语义信息、图谱结构化知识以及监督微调的指导下，能有效解决知识图谱的补全问题。
关键观点4: KGR³框架的应用领域
KGR³框架可应用于推荐系统、信息检索等领域。例如，在推荐系统中，KGR³可以通过补全知识图谱中的用户和物品关系，提供更个性化、符合用户需求的推荐内容。
关键观点5: KGR³框架的未来扩展计划
团队计划将KGR³框架扩展至其他知识图谱推理任务，如归纳式知识图谱补全和基于知识的问答。他们还打算将KGR³框架应用于知识图谱问答，从问题理解、知识检索、答案生成和优化等多个环节入手，充分发挥其在处理知识图谱和文本信息方面的优势。
正文
2）文本上下文检索，从知识库中提取查询三元组及支持三元组中实体的相关上下文，如标签、描述、别名等）；
3）候选答案检索（利用先前的 KGC 模型对知识图谱中的实体进行初步评分和排名，选取排名靠前的实体作为候选答案）。
推理模块：
利用大语言模型的上下文感知推理能力，为具体的不完整三元组生成一些可能的答案。为了引导大语言模型更好地完成任务，他们利用演示提取出的相似三元组帮助大语言模型理解任务，并提供了实体的描述来防止幻觉现象的产生。考虑到大语言模型输出的噪声问题，他们会对生成的答案做对齐，确保输出的实体在知识图谱中真实存在。
重排序模块：
整合并重排上述两个模块的候选答案，使满足不完整三元组的最佳实体排在较前位置。在这个模块中，他们通过对训练集中的三元组头尾实体进行负采样来候选答案集，并引入监督微调机制，使大语言模型拥有能够根据实体描述和已知实体的邻接三元组从答案集中选择最佳实体的能力。
实验结果表明，在文本语义信息、图谱结构化知识、以及监督微调的多重指导下，即使是参数量较小（1.5B 和 7B）的开源大模型，都有能力很好地解决知识图谱的补全问题。
（来源：
arXiv
）
据介绍，
KGR³ 可被用于推荐系统、信息检索等领域。例如，
KGR³ 通过补全知识图谱中的用户和物品关系，推荐系统可以发现用户潜在的兴趣点，提供更个性化、符合用户需求的推荐内容。
在电商平台上，能根据知识图谱中的
KGR³ 补全的相关实体关系（如品牌关联、产品功能互补等）推荐搭配产品或相关服务，基于用户购买历史推荐相似产品，提升推荐的质量和效果。
在社交网络平台的好友推荐或内容推荐中，利用
KGR³ 补全后的知识图谱挖掘用户之间更深层次的联系，以及用户可能感兴趣的话题或群组，增强用户在平台上的互动和参与度。
据了解，李木之在粤港澳大湾区数字经济研究院（IDEA，International Digital Economy Academy）访问期间，在郭健教授和徐铖晋博士的指导下，他与博士生杨策皓组成团队，将语境知识图谱作为研究课题。
团队察觉到现有 KGC 方法的不足，尤其是嵌入法和文本法在处理语义理解和长尾实体时的局限，而大语言模型虽有潜力但应用受限。
因此，他们决定尝试探索一种新的解决方案，把图谱中可以获取到的知识整合起来，看是否可以大语言模型学会做这样的任务。经过初步尝试，他们开发出了 KGR³ 框架的雏形，包含检索、推理和重排序三个模块，并初步验证了可行性。
在验证方案可行之后，他们快速进行了实验，并首次提交了论文。然而结果不尽人意，评审分数未达预期。审稿人指出，尽管框架的设计有一定创新性，但在性能表现上仍有明显不足，使用了参数量更多，能力更大的大语言模型，却未能显著超过传统方法，缺乏足够的说服力。
这一挫折让他们意识到，研究仍需深入，必须找到提升框架性能的有效途径。
他们仔细查看了审稿意见，分析实验数据，发现原本的重排序方案是整个框架的瓶颈。在前序方案中，他们尝试让大语言模型去生成候选实体的完整排序。然而，在知识图谱中并没有具体排序的监督数据。
于是，他们选择利用已有 KGC 模型输出的排序来微调大语言模型，这无益于解决已有方案的缺陷。在阅读关于大语言模型的其他文献后，他们认为输出完整排序实质上增加了任务难度。
