学问图谱（KG，Knowledge Graph）是一种要津的学问组织口头，其以图结构将事实学问呈现为（头实体、关系、尾实体）的三元组（triple）口头。
这种结构化的学问抒发方式在稠密界限施展着基础性的支捏作用，并平凡应用于推选系统、问答系统和情感分析等卑劣应用中。
关联词，尽管主流学问图谱如 Freebase 和 Wordnet 包含了丰富的学问，但仍然存在严重的不完好问题。这意味着在这些学问图谱中，实体之间枯竭大量的关系贯穿，导致学问图谱无法全面、准确地响应真确宇宙的学问。
举例，在描述东谈主物关系时，可能存在某些东谈主物之间的关联关系未被记载；在描述事件时，可能枯竭要津的参与实体或事件发生的配景信息等。这种不完好性严重抛弃了学问图谱在上述卑劣应用中的性能和后果，突显了学问图谱补全（KGC，Knowledge Graph Completion）任务的困难性。
已有的处置决议大多通过预设的几何空间假定学习实体和关系的低维镶嵌，并通过界说好的打分函数进行补全。这类决议仅依赖学问图谱中的三元组，忽略了支捏这些三元组的高下文语义，容易得出与事实不符的论断，且在处理长尾实体时进展欠安。
连年来基于文本的行为，应用将实体和关系与其标签和描述进行编码。由于结构化的三元组与当然谈话句子之间存在较大语义差距，其性能仍无法非凡最新的基于镶嵌的行为。
最近两年的磋商标明，大谈话模子较强的语义相识才气和高下文体习才气不错被应用于处置较为复杂的推理问题。
香港汉文大学博士生李木之和香港科技大学（广州）博士生杨策皓合计，通过提供关联的学问和安妥监督，不错激励大谈话模子的推理才气，更好地处置学问图谱补全问题。
基于此，他们研发出一种名为 KGR³ 的 KGC 框架，具体包括如下三个模块。
检索模块：庄重集会与待补全三元组关联的语义和结构化学问。这包括：
1）三元组检索：从学问图谱中赢得与查询三元组具有调换关系和相同实体的一些三元组）；
2）文本高下文检索，从学问库中索要查询三元组及支捏三元组中实体的关联高下文，如标签、描述、别号等）；
3）候选谜底检索（应用先前的 KGC 模子对学问图谱中的实体进行初步评分和名次，选取名次靠前的实体行为候选谜底）。
推理模块：应用大谈话模子的高下文感知推理才气，为具体的不完好三元组生成一些可能的谜底。为了教悔大谈话模子更好地完成任务，他们应用演示索要出的相同三元组匡助大谈话模子理衔命务，并提供了实体的描述来防患幻觉神气的产生。接头到大谈话模子输出的噪声问题，他们会对生成的谜底作念对皆，确保输出的实体在学问图谱中真确存在。
重排序模块：整统一重排上述两个模块的候选谜底，使雕悍不完好三元组的最好实体排在较前位置。在这个模块中，他们通过对训练连结的三元组头尾实体进行负采样来候选谜底集，并引入监督微调机制，使大谈话模子领有鲁莽把柄实体描述和已知实体的连络三元组从谜底连结领受最好实体的才气。
实验收尾标明，在文本语义信息、图谱结构化学问、以及监督微调的多重提醒下，即使是参数目较小（1.5B 和 7B）的开源大模子，都有才气很好地处置学问图谱的补全问题。
据先容，KGR³ 可被用于推选系统、信息检索等界限。举例，KGR³ 通过补全学问图谱中的用户和物品关系，推选系统不错发现用户潜在的深嗜点，提供更个性化、相宜用户需求的推选内容。
在电商平台上，能把柄学问图谱中的 KGR³ 补全的关联实体关系（如品牌关联、家具功能互补等）推选搭配家具或关联就业，基于用户购买历史推选相同家具，教学推选的质料和后果。
在酬酢集会平台的好友推选或内容推选中，应用 KGR³ 补全后的学问图谱挖掘用户之间更深线索的测度，以及用户可能感深嗜的话题或群组，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磋商院（IDEA，International Digital Economy Academy）造访技术，在郭健教学和徐铖晋博士的提醒下，他与博士生杨策皓构成团队，将语境学问图谱行为磋商课题。
团队察觉到现存 KGC 行为的不及，ag百家乐下三路尤其是镶嵌法和文本法在处理语义相识和长尾实体时的局限，而大谈话模子虽有后劲但应用受限。
因此，他们决定尝试探索一种新的处置决议，把图谱中不错赢得到的学问整合起来，看是否不错大谈话模子学会作念这么的任务。过程初步尝试，他们开拓出了 KGR³ 框架的雏形，包含检索、推理和重排序三个模块，并初步考证了可行性。
在考证决议可行之后，他们快速进行了实验，并初次提交了论文。关联词收尾不尽东谈主意，评审分数未达预期。审稿东谈主指出，尽管框架的假想有一定调动性，但在性能进展上仍有光显不及，使用了参数目更多，才气更大的大谈话模子，却未能权贵向上传统行为，费劲裕如的劝服力。
这一弯曲让他们果断到，磋商仍需潜入，必须找到教学框架性能的有用道路。
他们仔细搜检了审稿意见，分析实验数据，发现正本的重排序决议是所有框架的瓶颈。在前序决议中，他们尝试让大谈话模子去生成候选实体的完好排序。关联词，在学问图谱中并莫得具体排序的监督数据。
于是，他们领受应用已有 KGC 模子输出的排序来微调大谈话模子，这有害于处置已有决议的颓势。在阅读对于大谈话模子的其他文件后，他们合计输出完好排序内容上增多了任务难度。
相较于在实体间“比大小”，大谈话模子更擅长作念“领受题”，因此他们调治到了当今的决议。同期，他们果断到需要在写稿方面强化磋商主张。
在新一版论文中，他们更剖判地叙述 KGR³ 框架怎么有用应用实体高下文和大谈话模子的才气，以及各模块间的协同责任旨趣。
此外，他们补充了更多对比实验，以全面展示 KGR³ 在不同数据集、不同基准 KGC 模子、以及不同限制和种类的大谈话模子下的上风，增强磋商的劝服力。
再次提交论文之后，这一次论文得到了审稿东谈主的一致性高度招供，评审分数大幅教学。审稿东谈主对 KGR³ 框架在性能上的权贵教学予以了充分详情，尤其陈赞其在处理复杂学问图谱补全任务时的有用性和调动性。
日前，关联论文以《检索、推理、从头排序：学问图谱补全的语境增强框架》（Retrieval, Reasoning, Re-ranking: A Context-Enriched Framework for Knowledge Graph Completion）在预印本网站arXiv发表[1]，并已被顶会 NAACL 2025 主会收录。
曩昔，团队假想将 KGR³ 范式蔓延至其他学问图谱推理任务，如归纳式学问图谱补全和基于学问的问答。
在面前磋商中，KGR³ 框架已在传统的学问图谱补全任务中展现出权贵上风，但对于未在训练连结出现的实体（即归纳式建立下的情况），该框架尚无法有用处理。后续，团队将服从处置这一问题，使 KGR³ 鲁莽搪塞更复杂、更具挑战性的履行场景。
举例，在履行应用中，新的实体和关系束缚显现，鲁莽处理归纳式 KGC 任务将大大教学学问图谱的完好性和实用性。
此外，磋商东谈主员还假想将 KGR³ 框架应用于学问图谱问答，从问题相识、学问检索、谜底生成和优化等多个圭臬开头，充分施展其在处理学问图谱和文本信息方面的上风，为用户提供准确、有用的谜底，进而将语境学问图谱想法进一步蔓延。
参考辛勤：
1.https://arxiv.org/pdf/2411.08165
排版：刘雅坤