KGPFN：通过上下文学习释放知识图谱基础模型的潜力

知识图谱基础模型旨在通过学习可迁移的关系结构泛化至未见实体与关系。然而，现有方法多关注关系级通用性，忽视了作为基础模型另一支柱的上下文学习（ICL）。本文提出 KGPFN，一种基于先验数据拟合网络的基础模型，统一了可迁移关系规律与结构化上下文的推理时学习。该模型通过消息传递学习关系表示，利用 NBFNet 编码局部邻域，并检索大量实例构建全局上下文以支持大规模 ICL。在 57 个基准上的实验表明，仅凭上下文学习即可实现对未见图谱的强适应，性能优于微调模型。