論文の概要: Learning Chain Of Thoughts Prompts for Predicting Entities, Relations, and even Literals on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2604.12651v1
• Date: Tue, 14 Apr 2026 12:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.43503
• Title: Learning Chain Of Thoughts Prompts for Predicting Entities, Relations, and even Literals on Knowledge Graphs
• Title（参考訳）: 知識グラフにおける存在,関係,さらにはリテラルを予測するための思考の連鎖学習
• Authors: Alkid Baci, Luke Friedrichs, Caglar Demir, N'Dah Jean Kouagou, Axel-Cyrille Ngonga Ngomo,
• Abstract要約: 本稿では,三重項のスコアリング関数として文字列ベースのチェーン・オブ・シークレットのプロンプトを学習するRALPを紹介する。 推論では、ralPは、欠落したエンティティ、関係、あるいは三重項全体を予測し、学習したプロンプトに基づいて信頼スコアを割り当てる。 実装、トレーニング、評価パイプラインをオープンソースとしてリリースしています。
• 参考スコア（独自算出の注目度）: 8.176236109014758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph embedding (KGE) models perform well on link prediction but struggle with unseen entities, relations, and especially literals, limiting their use in dynamic, heterogeneous graphs. In contrast, pretrained large language models (LLMs) generalize effectively through prompting. We reformulate link prediction as a prompt learning problem and introduce RALP, which learns string-based chain-of-thought (CoT) prompts as scoring functions for triples. Using Bayesian Optimization through MIPRO algorithm, RALP identifies effective prompts from fewer than 30 training examples without gradient access. At inference, RALP predicts missing entities, relations or whole triples and assigns confidence scores based on the learned prompt. We evaluate on transductive, numerical, and OWL instance retrieval benchmarks. RALP improves state-of-the-art KGE models by over 5% MRR across datasets and enhances generalization via high-quality inferred triples. On OWL reasoning tasks with complex class expressions (e.g., $\exists hasChild.Female$, $\geq 5 \; hasChild.Female$), it achieves over 88% Jaccard similarity. These results highlight prompt-based LLM reasoning as a flexible alternative to embedding-based methods. We release our implementation, training, and evaluation pipeline as open source: https://github.com/dice-group/RALP .
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)モデルはリンク予測ではうまく機能するが、未知の実体、関係、特にリテラルと競合し、動的で不均一なグラフでの使用を制限する。 対照的に、事前訓練された大規模言語モデル(LLM)はプロンプトによって効果的に一般化される。 我々はリンク予測を素早い学習問題として再構成し、三重項のスコアリング関数として文字列ベースのチェーン・オブ・シント(CoT)を学習するRALPを導入する。 MIPROアルゴリズムによるベイズ最適化を用いて、RALPは勾配アクセスのない30未満のトレーニング例から有効なプロンプトを同定する。 推論では、ralPは、欠落したエンティティ、関係、あるいは三重項全体を予測し、学習したプロンプトに基づいて信頼スコアを割り当てる。 我々は,トランスダクティブ,数値,OWLインスタンス検索ベンチマークの評価を行った。 RALPは、データセット間で5%以上のMRRで最先端のKGEモデルを改善し、高品質な推論三重項による一般化を強化する。 複雑なクラス式を持つOWL推論タスク(例: $\exists hasChild.Female$, $\geq 5 \; hasChild.Female$)では、88%以上のJaccard類似性を達成している。 これらの結果は,組込み方式の柔軟な代替手段として,プロンプトベースのLLM推論が注目されている。 私たちは、実装、トレーニング、評価パイプラインをオープンソースとしてリリースします。

関連論文リスト

• Towards Improved Sentence Representations using Token Graphs [41.412173502714225]
  GLOTは構造を意識したプールモジュールで、リレーショナル学習後にアグリゲーションとしてプールを再構成する。 トークンの90%がランダムなイントラクタである診断ストレステストでは、GLOTは97%以上の精度を維持し、ベースラインメソッドは崩壊する。 GLUEやMTEBのようなベンチマークの最先端技術と競合し、トレーニング可能なパラメータは20倍少なく、パラメータ効率のよい微調整手法と比較してトレーニング時間を100倍以上高速化する。
  論文  参考訳（メタデータ） (2026-03-03T09:00:01Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
  LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。 提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。 これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
  論文  参考訳（メタデータ） (2025-08-26T20:50:16Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Harnessing the Power of Semi-Structured Knowledge and LLMs with Triplet-Based Prefiltering for Question Answering [2.6524539020042663]
  大きな言語モデル(LLM)はドメイン固有の知識を欠くことが多く、微調整されたモデルでさえ幻覚を起こす傾向がある。 パイプラインである4StepFocus、具体的には前処理のステップを示し、LCMの回答を大幅に改善する。 この手法は、半構造化知識ベースで三重項に基づく検索によって、直接的かつトレース可能な方法で、潜在的に正しい答えを絞り込む。
  論文  参考訳（メタデータ） (2024-09-01T22:43:27Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。