知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具

来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_1504120.02079166247653652.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_3232800.33687943560560807.jpeg)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_1684840.7227273838750954.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_3571070.020332751759095102.jpeg)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_1744480.24614679888632274.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_3320050.24863280613671845.jpeg)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_1619090.30457236787093755.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_3521980.9630149597620286.jpeg)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_2492230.7705926858824383.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_3735920.04851920252881259.jpeg)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_2399490.5180596935430455.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://images.zsxq.com/Fo9f3RCg2RObt6YRxhbkJeTv0NHc?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:p3Bfx7gtRuGl3JburuGXA4PI_jo=)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_1633230.0288895815115241.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://images.zsxq.com/Fo9f3RCg2RObt6YRxhbkJeTv0NHc?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:p3Bfx7gtRuGl3JburuGXA4PI_jo=)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_2441140.18712077064349375.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://images.zsxq.com/Fo9f3RCg2RObt6YRxhbkJeTv0NHc?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:p3Bfx7gtRuGl3JburuGXA4PI_jo=)

arXiv论文

LLM应用

知识图谱

信息检索来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_230850_2970900.6239108233701702.jpeg)

HuggingAI

2024-03-28 02:20

KC-GenRe：借助大型语言模型，推出一种知识约束的生成式重排技术，旨在完善知识图谱。 知识图谱补全（KGC）旨在预测实体间缺失的信息。传统KGC重排序方法多依赖非生成性语言模型来评估候选事实的概率。近期，生成性大型语言模型（LLMs）在信息提取、对话系统等领域展现出卓越性能。将其应用于KGC重排序，可充分利用其丰富的预训练知识和强大的生成能力。然而，这一过程中可能面临不匹配、顺序错乱和信息遗漏等新挑战。为此，我们提出了KC-GenRe，一种基于LLMs的知识约束生成式重排序方法。我们通过将KGC重排序问题转化为候选标识符的生成排序问题，利用生成性LLMs进行解决。针对顺序错乱问题，我们开发了一种知识引导的交互训练方法，提升了候选事实的识别和排序准确性。为应对遗漏问题，我们设计了一种知识增强的约束推理方法，通过上下文提示和控制生成，确保排名的有效性。实验结果显示，KG-GenRe在四个数据集上达到了最先进的水平，相较于传统方法，在平均排名倒数回收率（MRR）和命中率@1（Hits@1）指标上分别提升了6.7%和7.7%，与未进行重排序的方法相比，提升了9.0%和11.1%。深入分析验证了KC-GenRe各组件的有效性。 原文链接:[\[2403.17532\] KC-GenRe: A Knowledge-constrained Gen...](https://arxiv.org/abs/2403.17532 "[2403.17532] KC-GenRe: A Knowledge-constrained Gen...") #arXiv论文# #LLM应用# #知识图谱# #信息检索#

展开全部

![](https://images.zsxq.com/Fo9f3RCg2RObt6YRxhbkJeTv0NHc?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:p3Bfx7gtRuGl3JburuGXA4PI_jo=)

arXiv论文

LLM应用

知识图谱

信息检索