KC-GenRe: Um Método de Reclassificação Generativa com Restrições de Conhecimento Baseado em Modelos de Linguagem de Grande Porte para Completação de Grafos de Conhecimento

O objetivo da completude de grafos de conhecimento (KGC) é prever fatos ausentes entre entidades. Métodos anteriores para reclassificação de KGC são principalmente construídos em modelos de linguagem não generativos para obter a probabilidade de cada candidato. Recentemente, modelos de linguagem generativos de grande porte (LLMs) mostraram desempenho excepcional em várias tarefas, como extração de informações e sistemas de diálogo. Aproveitá-los para reclassificação de KGC é benéfico, pois utiliza o conhecimento pré-treinado extensivo e poderosas capacidades generativas. No entanto, podem surgir novos problemas ao realizar a tarefa, a saber, incompatibilidade, desordem e omissão. Com isso, introduzimos o KC-GenRe, um método de reclassificação generativa com restrições de conhecimento baseado em LLMs para KGC. Para superar o problema de incompatibilidade, formulamos a tarefa de reclassificação de KGC como um problema de geração de ordenação de identificadores de candidatos implementado por LLMs generativos. Para lidar com o problema de desordem, desenvolvemos um método de treinamento interativo orientado por conhecimento que melhora a identificação e classificação de candidatos. Para abordar o problema de omissão, projetamos um método de inferência restrita com aumento de conhecimento que permite o prompting contextual e geração controlada, a fim de obter classificações válidas. Os resultados experimentais mostram que o KG-GenRe alcança desempenho de ponta em quatro conjuntos de dados, com ganhos de até 6,7% e 7,7% nas métricas MRR e Hits@1 em comparação com métodos anteriores, e 9,0% e 11,1% em comparação com aqueles sem reclassificação. Uma análise extensa demonstra a eficácia dos componentes no KG-GenRe.