静的および時間的ドメインにまたがる質問応答駆動型知識グラフ補完のための大規模言語モデルの能力の活用

知識グラフ補完（KGC）は、知識グラフ（KG）における欠損トリプルを特定することを目的としています。これは通常、リンク予測やインスタンス補完などのタスクを通じて達成されます。しかし、これらの方法は多くの場合、静的知識グラフ（SKGs）または時間的知識グラフ（TKGs）に焦点を当て、対象範囲内のトリプルのみを扱っています。本論文では、新しい生成的補完フレームワークであるGenerative Subgraph-based KGC（GS-KGC）を提案します。GS-KGCは質問応答形式を用いて直接ターゲットエンティティを生成し、複数の可能な解答を持つ質問の課題に対処します。KG内のエンティティと関係を中心としたサブグラフを抽出し、そこから負サンプルと近隣情報を別々に取得する戦略を提案し、多対一の問題に対応します。我々の手法は既知の事実を用いて負サンプルを生成し、新情報の発見を促進します。さらに、既知エンティティの近隣パスデータを収集・精緻化し、大規模言語モデル（LLM）の推論向上のためのコンテキスト情報を提供します。提案手法は4つのSKGおよび2つのTKGで評価され、5つのデータセットで最先端のHits@1指標を達成しました。結果の分析から、GS-KGCは既存のKG内で新たなトリプルを発見し、閉じたKGの枠を超えた新事実の生成も可能であり、閉世界型と開世界型KGCのギャップを効果的に橋渡ししていることが示されました。