MPIKGC：大语言模型改进知识图谱补全-编程知识

MPIKGC：大语言模型改进知识图谱补全

提出背景
MPIKGC框架

论文：https://arxiv.org/pdf/2403.01972.pdf

代码：https://github.com/quqxui/MPIKGC

提出背景

知识图谱就像一个大数据库，里面有很多关于不同事物的信息，这些信息是以三元组的形式存在的，比如（人物，关系，事物），如（Ian Bryce，制片，变形金刚：月黑之时）。

知识图谱补全的任务有两个：判断给定的三元组是否正确（三元组分类），以及预测缺失的部分，例如找出缺失的实体或关系（链接预测）。

为了解决这些问题，我们提出了一个新型的技术框架MPIKGC，该框架通过利用大型语言模型(LLMs)生成辅助文本来提升KGC模型的性能。

具体解法可以拆解为以下几个子解法：

实体信息补全：
- 子解法：使用LLMs扩展实体描述。
- 之所以使用此子解法，是因为面对实体描述的不完整性问题。
- 我们通过设计链式思考(CoT)提示让LLM逐步生成不同方面的描述，以补全和丰富实体的信息。
关系模糊消除：
- 子解法：通过三种精心设计的提示策略查询LLMs以改进对关系含义的理解。
- 之所以使用此子解法，是因为需要解决关系名称可能带来的歧义问题。
- 这些策略包括全局提示、局部提示和反向提示，它们捕捉关系之间的联系，并促进更好的反向预测。
图连接稀疏问题：
- 子解法：查询LLMs提取额外的结构信息来丰富知识图谱。
- 之所以使用此子解法，是因为需要解决图中链接稀疏，特别是长尾实体间连接不足的问题。
- 我们通过使用LLMs总结的关键词测量实体间的相似度，并创建新的三元组来构建相关实体之间的联系，从而在KGC模型中形成新的结构模式。

在研究和改进知识图谱（一种存储实体及其相互关系的数据库）的过程中，存在两个主要方法：基于结构的方法和基于描述的方法。

基于描述的知识图谱补全(KGC)方法主要使用文本描述来提高对实体和关系的理解，通过如下方式：
- 利用文本描述，通过不同的技术（如卷积神经网络、BERT模型）编码实体和关系，特别擅长处理信息不足的实体。
- 这些方法可以通过描述来更好地理解实体间的关系，尤其对于那些难以通过简单的结构信息识别的实体。
大型语言模型(LLMs)在知识图谱中的应用：
- 近年来，大型语言模型（如GPT-4）显示出在处理知识图谱相关任务时的巨大潜力，它们可以提供丰富的知识和强大的理解能力。
- 这些模型可以帮助识别和生成新的事实，通过理解文本描述来增强知识图谱的完整性和准确性。

基于描述的KGC方法通过分析文本描述来理解实体和关系，而大型语言模型则为这些方法提供了一个强大的工具，可以深入挖掘文本中的知识，帮助填补知识图谱中的缺口。

MPIKGC框架

在这里插入图片描述

上图描绘了一个名为MPIKGC的框架，这是一个旨在通过从实体、关系和结构的角度改进知识图谱的模型。

这个框架通过LLM查询来生成额外的描述和结构，使得知识图谱更完整、信息更丰富。

MPIKGC框架包含以下三个主要部分：

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。

假设我们有一个简单的医学知识图谱，它包含实体（如疾病、症状、药物）和它们之间的关系。

在这个知识图谱中，我们可能有如下三元组：

(糖尿病, 关联症状, 高血糖)
(阿司匹林, 用于治疗, 发热)

但是，知识图谱可能不完整，缺少某些关键信息，例如糖尿病的其他症状或与阿司匹林相关的副作用。

为了补全这些信息，我们可以使用下面的方法：

描述扩展：我们询问一个大型语言模型，比如GPT-4，关于糖尿病的更多信息。

模型可能会告诉我们，除了高血糖，糖尿病还可能导致视力模糊和疲劳。

现在我们可以在知识图谱中添加新的三元组，如（糖尿病, 关联症状, 视力模糊）和（糖尿病, 关联症状, 疲劳）。
关系理解：如果知识图谱只是简单地标记了阿司匹林“用于治疗”发热，我们可能会用提示策略让语言模型提供更多上下文，比如阿司匹林还能“减少炎症”或“预防血栓”。

这样我们就能在知识图谱中添加更准确的关系描述，比如（阿司匹林, 用于预防, 血栓）。
结构提取：对于长尾实体，比如一个不太为人知的罕见疾病，我们可以让语言模型提取该疾病的特征或相关信息。

如果模型提供了与其他疾病相似的症状，我们可以创建新的链接，显示这些疾病之间的相似性，从而丰富知识图谱的结构。

以一种罕见疾病“多发性硬化症”作为例子来说明结构提取的过程。

在我们的知识图谱中，“多发性硬化症”可能与几个症状相关联，例如肌肉无力和视觉问题。

但是，我们的图谱可能没有完全覆盖这个疾病的所有相关信息。

我们现在使用一个大型语言模型来提取更多信息。
1. 关键词提取：语言模型可能会从医学文献或数据库中提取出“多发性硬化症”通常与“认知功能障碍”和“步态不稳”这些症状相关联的信息。
2. 新的链接创建：有了这些新提取的关键词，我们可以在知识图谱中创建新的三元组，如：
  - (多发性硬化症, 关联症状, 认知功能障碍)
  - (多发性硬化症, 关联症状, 步态不稳)
3. 结构丰富：进一步地，如果语言模型指出“系统性红斑狼疮”也与“认知功能障碍”有关，我们可以在这两种疾病之间添加一个“相似症状”类型的链接，以显示它们之间的相似性。
4. 新的结构模式形成：通过这样的操作，我们不仅补充了单个疾病的信息，还在不同疾病之间创建了新的联系，有助于揭示它们之间可能的共同生物学机制或治疗方法的对比。
这增加了知识图谱的丰富性，使得研究者能够看到不同疾病间的联系，这些联系以前可能未被注意到。例如：
- (多发性硬化症, 症状相似, 系统性红斑狼疮)
这个过程有助于研究人员理解不同疾病间的潜在联系，为疾病诊断和治疗提供更多线索。

通过这种方式，知识图谱变得更加完整，能够支持更复杂的查询和分析，最终提升医疗保健领域的知识发现和决策支持。