基于大语言模型与适配器驱动的知识图谱补全算法

摘要

针对基于Transformer为骨干网络的知识图谱补全方法在前馈网络参数冗余、常识场景下尾实体识别困难以及对比学习嵌入存在偏差等问题，提出一种融合大语言模型与多正样本对比学习的适配器增强知识图谱补全算法.该算法通过在前馈网络中引入多头适配器减少冗余特征，并利用大型语言模型提升常识推理能力，同时通过多正样本对比学习校正嵌入偏差.实验结果表明，相比于当前最佳模型，该算法在数据集WN18RR和FB15k-237上的MRR分别提高了5.4%和9.2%,在更复杂的数据集Wikidata5M下的转导与归纳设定中分别提高3.6%和6.7%,并在低资源与复杂场景中展现出更佳的泛化能力.

关键词

知识图谱补全 / 知识图谱 / 大语言模型 / 对比学习 / 适配器学习