Capacitando Grafos de Conhecimento em Pequena Escala: Uma Estratégia de Aproveitamento de Grafos de Conhecimento de Propósito Geral para Embeddings Enriquecidos

Tarefas intensivas em conhecimento representam um desafio significativo para técnicas de Aprendizado de Máquina (ML). Métodos comumente adotados, como Large Language Models (LLMs), frequentemente exibem limitações quando aplicados a essas tarefas. No entanto, houve esforços notáveis para mitigar esses desafios, com ênfase significativa na ampliação dos LLMs por meio de Grafos de Conhecimento (KGs). Embora os KGs ofereçam muitas vantagens para a representação do conhecimento, seus custos de desenvolvimento podem desencorajar pesquisas e aplicações extensas. Abordando essa limitação, introduzimos um framework para enriquecer embeddings de Grafos de Conhecimento específicos de domínio em pequena escala com KGs bem-estabelecidos de propósito geral. Adotando nosso método, um KG modesto específico de domínio pode se beneficiar de um aumento de desempenho em tarefas subsequentes quando vinculado a um KG substancial de propósito geral. Avaliações experimentais demonstram uma melhoria notável, com até 44% de aumento observado na métrica Hits@10. Essa direção de pesquisa relativamente inexplorada pode catalisar a incorporação mais frequente de KGs em tarefas intensivas em conhecimento, resultando em implementações de ML mais robustas e confiáveis, que apresentam menos alucinações do que as soluções prevalentes baseadas em LLMs. Palavras-chave: grafo de conhecimento, completamento de grafo de conhecimento, alinhamento de entidades, aprendizado de representação, aprendizado de máquina