本文是LLM系列文章，针对《Exploring Large Language Models for Knowledge Graph Completion》的翻译。
摘要
知识图谱在众多人工智能任务中发挥着至关重要的作用，但它们经常面临不完全性问题。在这项研究中，我们探索利用大型语言模型（LLM）来补全知识图谱。我们将知识图谱中的三元组视为文本序列，并引入了一个名为知识图谱LLM（KGLLM）的创新框架来对这些三元组进行建模。我们的技术使用三元组的实体和关系描述作为提示，并利用响应进行预测。在各种基准知识图谱上的实验表明，我们的方法在三重分类和关系预测等任务中取得了最先进的性能。我们还发现，微调相对较小的模型（例如，LLaMA-7B、ChatGLM6B）的性能优于最近的ChatGPT和GPT-4。
1 引言
2 相关工作
3 方法
4 实验
5 结论
在这项工作中，我们提出了一种新的KG补全方法，称为KG-LLM。我们的方法在KG补全任务（如三重分类和关系预测）中获得了最先进的性能。对于未来的工作，我们计划将我们的KG-LLM作为一个知识增强的语言模型应用于其他NLP任务，并结合KGs的结构信息。此外，我们将探索更有效的LLM的提示工程和上下文指令。
局限性
尽管我们的方法在使用LLM补全KG方面已经证明了有希望的结果，但它目前缺乏处理缺乏实体和关系的文本名称或描述的KG的能力。此外，我们还没有充分利用KG结构信息，这有可能显著改善结果，特别是在实体预测任务中。
