预测知识图谱内部多个关联是当前研究的一大挑战，而随着NLP技术和KG嵌入技术的发展，这一难题已逐渐明朗。本文介绍一种新颖的方法——知识图谱大型语言模型框架（KG-LLM），它巧妙运用了核心NLP理念，如链式思考（CoT）提示和上下文学习（ICL），来 强化知识图谱中多跳链接预测的能 力。我们通过将知识图谱转化为CoT提示形式，使框架能够洞察并习得实体及其相互联系的潜在表达方式。为了验证KG-LLM框架的实际效果，我们对该框架内的三大前沿大型语言模型（LLMs）进行了细致调整，并通过非ICL任务和ICL任务进行全面考核。同时，我们也探讨了该框架赋予LLMs应对新奇提示的零样本能力的可能性。实验结果显示，融入ICL与CoT不仅增强了我们的方法表现，还极大地提升了模型的泛化能力，从而确保在未知情境下也能作出精准预测。
原文链接:https://arxiv.org/abs/2403.07311