النموذج الكبير للغة في الرسم البياني للمعرفة (KG-LLM) لتنبؤ الروابط

تمثل مهمة التنبؤ بروابط متعددة داخل الرسوم البيانية للمعرفة (KGs) تحدياً في مجال تحليل الرسوم البيانية للمعرفة، وهو تحدٍ يمكن حله بشكل متزايد بفضل التقدم في تقنيات معالجة اللغة الطبيعية (NLP) وتقنيات تضمين الرسوم البيانية للمعرفة. تقدم هذه الورقة منهجية جديدة، إطار النموذج الكبير للغة في الرسم البياني للمعرفة (KG-LLM)، الذي يستفيد من مبادئ أساسية في معالجة اللغة الطبيعية، بما في ذلك التحفيز بسلسلة التفكير (CoT) والتعلم في السياق (ICL)، لتعزيز التنبؤ بالرابط متعدد القفزات في الرسوم البيانية للمعرفة. من خلال تحويل الرسم البياني للمعرفة إلى تحفيز CoT، يهدف إطارنا إلى تمييز وتعلم التمثيلات الكامنة للكيانات وعلاقاتها البينية. لإظهار فعالية إطار KG-LLM، قمنا بضبط ثلاثة من النماذج الكبيرة للغة الرائدة ضمن هذا الإطار، باستخدام مهام غير ICL وICL لتقييم شامل. علاوة على ذلك، نستكشف إمكانية الإطار في تزويد النماذج الكبيرة للغة بقدرات التصنيف بدون تدريب مسبق للتعامل مع تحفيزات جديدة غير معروفة سابقًا. تكشف نتائج تجربتنا أن دمج ICL وCoT لا يعزز أداء نهجنا فحسب، بل يعزز أيضًا بشكل كبير قدرة النماذج على التعميم، مما يضمن تنبؤات أكثر دقة في سيناريوهات غير مألوفة.