论文浅尝 | 从大型语言模型进行情境化提炼以完成知识图谱（ACL2024）

文章预览

笔记整理：米尔扎提·阿力木，天津大学硕士，研究方向为大模型 论文链接：https://aclanthology.org/2024.findings-eacl.32 发表会议：ACL 2024 1. 动机 知识图谱完成（ KGC ）是自然语言处理（ NLP ）的一项基本任务，旨在揭示不同知识图谱中隐藏的见解，以探索新的知识模式。传统的 KGC 方法通常通过根据其结构信息学习每个实体和关系的表示来预测三元组的缺失部分。然而，这种基于嵌入的方法往往会忽略知识图谱形成中的丰富文本。因此，预训练语言模型（ PLM ）已被引入 KGC 并取得了可喜的结果。虽然已经充分发现文本信息对基于 PLM 的 KGC 模型有益，之前尝试用维基百科文章中的文本数据或同义词集定义来增强 KGC 模型遇到了某些限制：①实体描述，通常是简洁和静态的，可能会抑制对 KGC 模型中实体的全面理解的形成。②合并三元组描述，尽管可能丰富 ………………………………