语义驱动的自适应框架：少样本知识图谱补全中的动态语义-结构协同方法

本文提出了一种创新的语义驱动自适应框架（SeDA），通过大语言模型（LLLG）生成实体描述，结合图注意力网络（GAT）实现语义-结构特征融合。该框架创新性地提出基于关系分类（排他性/包容性关系）的语义驱动负采样策略，并采用低秩自适应（LoRA）微调技术，在NELL-One和FB15k237-One数据集上显著提升了少样本知识图谱补全（FKGC）的性能。

　　

亮点

• •
  提出首个通过动态邻居选择和大语言模型（LLM）生成实现语义-结构协同的自适应框架
• •
  设计基于关系语义分类（排他性/包容性）的负采样策略，增强判别性学习
• •
  在标准数据集上实现显著性能提升，为稀疏知识图谱提供可扩展解决方案

结论

本文提出用于少样本知识图谱补全（FKGC）的语义驱动自适应框架SeDA。该框架通过大语言模型（LLM）生成丰富实体描述，动态选择多样化邻居三元组，并将其整合到图表示中。此外，我们创新性地提出语义驱动负采样策略，将关系分类为排他性和包容性两类，通过类型约束和语义对比评分增强模型对复杂关系的区分能力。实验表明，SeDA在NELL-One和FB15k237-One数据集上显著优于现有方法，验证了语义-结构协同机制的有效性。未来工作将探索更精细的关系分类机制和跨领域适应性。

数据和代码可用性

实现SeDA框架的完整源代码、详细文档和实验复现脚本已在GitHub开源（https://github.com/lg1035/SeDA）。FB15k237-One数据集已包含在仓库中，大型数据集和预训练模型（包括BERT编码器、GAT层和LoRA适配器权重）因体积超限将通过云存储提供，下载链接详见仓库说明文档。

作者贡献声明

程嘉阳： 原稿撰写，验证，方法论，概念化。张婷华： 监督，项目管理。余伟浩： 评审编辑，监督。黄瑾： 资源提供。

利益冲突声明

作者声明不存在可能影响本研究成果的已知竞争性财务利益或个人关系。

作者简介

程嘉阳 现为华南师范大学人工智能学院硕士研究生，数据智能实验室成员。研究方向包括知识图谱、人工智能和大语言模型。