링크 예측을 위한 지식 그래프 대형 언어 모델 (KG-LLM)

지식 그래프(KG) 내 다중 링크 예측 과제는 지식 그래프 분석 분야에서 중요한 도전 과제로 자리 잡고 있으며, 자연어 처리(NLP)와 KG 임베딩 기법의 발전으로 점차 해결 가능해지고 있습니다. 본 논문은 다중 홉 링크 예측 향상을 위해 체인 오브 생각(CoT) 프롬팅과 맥락 내 학습(ICL) 같은 중요한 NLP 패러다임을 활용하는 새로운 방법론인 지식 그래프 대형 언어 모델 프레임워크(KG-LLM)를 제안합니다. KG를 CoT 프롬프트로 변환함으로써 본 프레임워크는 엔티티와 그 상호관계의 잠재 표현을 식별하고 학습하도록 설계되었습니다. KG-LLM 프레임워크의 효능을 검증하기 위해 본 연구에서는 3개의 선도적 대형 언어 모델(LLM)을 해당 프레임워크 내에서 미세 조정하고, 비-ICL 및 ICL 과제 모두를 이용하여 포괄적인 평가를 수행하였습니다. 나아가, 이전에 본 적 없는 프롬프트를 처리하는 제로샷 능력 부여 가능성도 탐구하였습니다. 실험 결과, ICL과 CoT의 통합은 접근법의 성능을 향상시킬 뿐만 아니라 모델의 일반화 능력도 크게 증진시켜, 낯선 상황에서 더욱 정확한 예측을 보장함을 발견하였습니다.