摘要
知识图谱补全旨在推断缺失事实以提升完整性,但现实场景中新兴实体与关系使得归纳式补全在少样本下极具挑战。多模态信息与 LLM 先验虽能丰富上下文,却易引入噪声或幻觉。为此,本文提出 DuPLeR,一种面向多模态少样本知识图谱补全的双路径 LLM 推理框架。该框架结合多模态类型先验与事实支撑结构构建校准关系图,并在优化后的拓扑上执行双层结构推理。此外,双路径多模态增强模块利用查询相关信号调节消息传递,补充实体表示。实验表明其在数据稀缺场景下表现稳健。
AI 推荐理由
论文提出双路径 LLM 推理框架,核心解决多模态知识图谱补全中的推理难题。
研究机构
Harbin Institute of Technology (Weihai)
Shandong Provincial Key Laboratory of Digital Service Computing Technology and Systems
论文信息