GS-Quant：面向知识图谱补全的细粒度语义与生成式结构量化

大语言模型（LLM）在知识图谱补全（KGC）中展现出巨大潜力，然而弥合连续图嵌入与离散LLM token之间的模态鸿沟仍是一个关键挑战。尽管近期基于量化的方法试图对齐这两种模态，它们通常将量化视为扁平的数值压缩，导致语义纠缠的编码无法映照人类推理的层次性。本文提出GS-Quant，一个为KG实体生成语义连贯、结构分层的离散编码的新框架。与以往方法不同，GS-Quant立足于如下洞察：实体表示应遵循语言学上从粗到细的逻辑。我们引入细粒度语义增强（Granular Semantic Enhancement）模块，向码本注入层次化知识，确保前面的编码捕获全局语义类别，后面的编码细化具体属性。此外，生成式结构重构（Generative Structural Reconstruction）模块对编码序列施加因果依赖，将相互独立的离散单元转化为结构化的语义描述符。通过用这些学到的编码扩展LLM词表，我们使模型能够以与自然语言生成同构的方式对图结构进行推理。实验结果表明，GS-Quant显著优于现有基于文本和基于嵌入的基线。我们的代码已在 https://github.com/mikumifa/GS-Quant 公开。