Knowledge Graph Completion Multimodal Learning LLM Reasoning Few-Shot Learning
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
作者 Jinlan Liu, Zhiying Tu, Yongchao Xing, Yicheng Liu, Bolin Zhang et al.
发布日期 2026-07-29
arXiv ID 2607.26909
相关性评分 9/10 (高度相关)