知识图谱补全（KGC）是一种广泛使用的方法，通过预测缺失的链接来解决知识图谱（KGs）中的不完整性问题。基于描述的KGC利用预训练的语言模型来学习实体和关系的表示，这些模型的名称或描述显示出有希望的结果。然而，基于描述的KGC的性能仍然受到文本质量和不完整结构的限制，因为它缺乏足够的实体描述，并且完全依赖于关系名称，导致结果不是最优的。为了解决这个问题，提出MPIKGC，这是一个通用框架，通过从不同角度查询大型语言模型（LLMs）来补偿上下文化知识的不足，并改进KGC。这涉及到利用LLMs的推理、解释和总结能力来分别扩展实体描述、理解关系和提取结构
实体描述扩展（MPIKGC-E）：使用Chain-of-Thought（CoT）提示策略，让LLMs逐步生成更丰富的实体描述。关系理解（MPIKGC-R）：通过全局、局部和反向提示策略，提高KGC模型对关系含义的理解，从而改善链接预测的反向预测性能。结构提取（MPIKGC-S）：利用LLMs的关键词总结和匹配能力，提取额外的结构信息，丰富知识图谱，特别是对于长尾实体。从实体、关系和结构的角度提高知识图谱的框架。通过使用各种基于描述的知识图谱补全（KGC）模型在链接预测和三元组分类任务上评估增强知识图谱的效率。
每个查询策略的模板，MPIKGC-E、-R 和 -S 分别对应于实体、关系和结构方面的改进方法 
StrategiesTemplatesMPIKGC-EPleaseprovideallinformationabout{EntityName}.Givetherationalebeforeanswering:MPIKGC-RGlobalPleaseprovideanexplanationofthesignificanceoftherelation{RelationName}inaknowledgegraphwithonesentence:MPIKGC-RLocalPleaseprovideanexplanationofthemeaningofthetriplet(headentity,{RelationName},tailentity)andrephraseitintoasentence:MPIKGC-RReversePleaseconverttherelation{RelationName}intoaverbformandprovideastatementinthepassivevoice:MPIKGC-SPleaseextractthefivemostrepresentativekeywordsfromthefollowingtext:{EntityDescription}.Keywords:实验在四个基于描述的KGC模型和四个数据集上进行，包括链接预测和三元组分类任务。结果表明，MPIKGC在多个性能指标上都取得了显著的提升。具体来说：MPIKGC-E 在提高实体描述方面表现出色，尤其是在链接预测任务中。MPIKGC-R 在理解关系方面取得了进步，尤其是在三元组分类任务中。MPIKGC-S 在结构提取方面表现最佳，尤其是在链接预测任务中。链接预测任务的实验结果，每个区块中最好的结果用粗体显示。↑：数值越高越好。↓：数值越低越好。 
Multi-perspectiveImprovementofKnowledgeGraphCompletionwithLargeLanguageModelshttps://arxiv.org/abs/2403.01972https://github.com/quqxui/MPIKGC | 
