拓扑信息增强的链接预测
结合生成的本体和图的拓扑信息进行链接预测 利用节点间的路径信息提供额外的推理依据 在传导性和归纳性设置下都表现出优异性能
候选解决方案生成机制
利用本体识别缺失三元组的候选解决方案 采用LLM进行正确解决方案的选择 不需要额外训练，具有即时应用性
技术方法详解
1. 本体生成流程
本文提出的本体生成方法包含以下关键步骤：
数据预处理
合并训练图数据集，形成约90万个三元组的综合图谱 对每个关系采样50个连接示例用于本体类别推断
类别推断
使用GPT-4模型预测头尾实体的本体类别 允许模型复用已预测的类别，确保分类一致性 采用迭代方式处理同义词问题，避免类别重复
关系映射
为每个关系建立唯一的头尾节点类别对 将三元组(cvi,r,cvj)添加到本体集合E中 确保本体结构的清晰性和一致性
2. 链接预测方法
在知识图谱补全任务中，本文方法分为以下几个关键环节：
本体信息利用
根据关系和已知节点类别推断缺失节点的类别 利用本体路径提供额外的推理线索 构建基于本体的推理链进行预测
拓扑信息整合
分析图中节点间的路径关系 利用现有连接模式辅助预测 结合本体路径和图路径进行综合推理
候选方案生成与选择
基于本体类别生成初始候选集 采用批处理方式处理大规模候选集 使用LLM进行最终候选选择
实验结果与分析
1. 数据集
实验采用ILPC-small和ILPC-large两个数据集：
ILPC-small数据集统计：
归纳训练图：10,230个节点，96种关系，78,616个三元组 传导训练图：6,653个节点，96种关系，20,960个三元组 本体图：36个节点，96种关系，96个三元组 推理测试图：6,653个节点，96种关系，2,902个三元组
ILPC-large数据集统计：
归纳训练图：46,626个节点，130种关系，202,446个三元组 传导训练图：29,246个节点，130种关系，77,044个三元组 本体图：42个节点，130种关系，130个三元组 推理测试图：29,246个节点，130种关系，10,184个三元组
2. 性能评估
实验采用Hit@k (k=1,3,10)作为评估指标，主要发现包括：
LLM基础性能
GPT-4在无额外上下文情况下表现优异 ILPC-small数据集上Hit@1达到0.132 ILPC-large数据集上Hit@1达到0.146
候选方案增强效果
结合候选方案显著提升性能 ILPC-small上Hit@1提升至0.172 ILPC-large上Hit@1提升至0.177
本体信息贡献
本体信息进一步提升模型性能 归纳设置下性能显著优于基线方法 与现有最先进方法相比具有明显优势
研究局限性与未来展望
局限性：
闭世界假设
本体构建后不支持新实体添加 限制了在动态知识图谱环境中的适应性
图密度依赖
方法效果受图数据集密度影响 稀疏图谱可能影响本体路径的有效性
未来研究方向：
动态适应机制
研究在线学习技术 适应不断演化的知识图谱
外部信息整合
探索多源信息融合方法 增强知识图谱的完整性
实验验证扩展
在更多数据集上进行验证 探索不同应用场景的效果
结论
本文提出的方法在知识图谱补全任务中展现出显著优势，特别是：
创新性地结合了LLM的推理能力和图的拓扑信息 提出了高效的本体生成和利用方法 在传导性和归纳性设置下都取得了优异性能 不需要额外训练，具有即时应用价值
该研究为知识图谱补全领域提供了新的研究思路，也为LLM在结构化知识处理方面的应用提供了有益参考。