Explotando las capacidades de los grandes modelos de lenguaje para la finalización de gráficos de conocimiento impulsada por preguntas en dominios estáticos y temporales

La finalización de gráficos de conocimiento (KGC) tiene como objetivo identificar triples faltantes en un gráfico de conocimiento (KG). Esto se logra típicamente a través de tareas como la predicción de enlaces y la finalización de instancias. Sin embargo, estos métodos a menudo se centran en gráficos de conocimiento estáticos (SKGs) o gráficos de conocimiento temporales (TKGs), abordando solo triples dentro del alcance. Este documento presenta un nuevo marco de finalización generativa llamado KGC basado en subgráfos generativos (GS-KGC). GS-KGC emplea un formato de preguntas y respuestas para generar directamente entidades objetivo, abordando el desafío de preguntas con múltiples respuestas posibles. Proponemos una estrategia que extrae subgráfos centrados en entidades y relaciones dentro del KG, a partir de los cuales se obtienen por separado muestras negativas e información de vecindario para abordar el problema de uno a muchos. Nuestro método genera muestras negativas usando hechos conocidos para facilitar el descubrimiento de nueva información. Además, recopilamos y refinamos datos de caminos de vecindario de entidades conocidas, proporcionando información contextual para mejorar el razonamiento en grandes modelos de lenguaje (LLMs). Nuestros experimentos evaluaron el método propuesto en cuatro SKGs y dos TKGs, logrando métricas Hits@1 de última generación en cinco conjuntos de datos. El análisis de los resultados muestra que GS-KGC puede descubrir nuevos triples dentro de KGs existentes y generar nuevos hechos más allá del KG cerrado, cerrando efectivamente la brecha entre KGC de mundo cerrado y de mundo abierto.