多模态少样本知识图补全的双路径 LLM 推理

知识图谱补全（KGC）旨在推断知识图谱（KG）中缺失的事实，从而提高知识图谱的完整性并支持下游智能应用。然而，现实世界部署中的新兴实体和关系使得归纳 KGC 变得困难，特别是在少样本和零样本设置下。多模态信息和 大语言模型 (LLM) 派生的先验可以丰富稀疏的关系上下文，但它们也可能引入噪声或幻觉证据。为了解决这些问题，我们提出了 DuPLeR，一个用于多模态少样本 KGC 的 \textbf{Du}al-\textbf{P}ath \textbf{L}LM \textbf{R} 推理框架。 DuPLeR 通过将多模态 LLM 派生的类型先验与事实支持结构相结合来构建校准的关系图，并在细化的关系拓扑上执行双层结构推理。此外，双路径多模态增强模块通过与查询相关的多模态信号调节消息传递，并在图传播后补充实体表示。对两个多模态 KG (MMKG) 基准的八个归纳变体进行的实验表明，DuPLeR 在数据稀缺的 KGC 场景中实现了稳健的性能。