基于大语言模型的超关系知识图谱限定符增强方法

doi:10.11772/j.issn.1001-9081.2025060753

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (7): 2043-2053.DOI: 10.11772/j.issn.1001-9081.2025060753

• 人工智能 • 下一篇

基于大语言模型的超关系知识图谱限定符增强方法

李佳航, 韩启龙(), 李丽洁, 张慧

哈尔滨工程大学计算机科学与技术学院，哈尔滨 150001

收稿日期:2025-07-09 修回日期:2025-09-01 接受日期:2025-09-09 发布日期:2025-09-12 出版日期:2026-07-10
通讯作者: 韩启龙
作者简介:李佳航（1996—），男，山东临沂人，博士研究生，主要研究方向：知识图谱补全
李丽洁（1980—），女，山西盂县人，副教授，博士，博士生导师，CCF会员，主要研究方向：知识图谱、大数据分析
张慧（1996—），女，河南开封人，博士研究生，主要研究方向：知识图谱补全。
基金资助:
国家自然科学基金资助项目(62302120);黑龙江省重点研发计划项目(GA23A915)

Large language model-driven method for qualifier enhancement in hyper-relational knowledge graphs

Jiahang LI, Qilong HAN(), Lijie LI, Hui ZHANG

College of Computer Science and Technology，Harbin Engineering University，Harbin Heilongjiang 150001，China

Received:2025-07-09 Revised:2025-09-01 Accepted:2025-09-09 Online:2025-09-12 Published:2026-07-10
Contact: Qilong HAN
About author:LI Jiahang， born in 1996， Ph. D. candidate. His research interests include knowledge graph completion.
LI Lijie， born in 1980， Ph. D.， associate professor. Her research interests include knowledge graph， big data analysis.
ZHANG Hui， born in 1996， Ph. D. candidate. Her research interests include knowledge graph completion.
Supported by:
National Natural Science Foundation of China(62302120);Heilongjiang Key Research and Development Program(GA23A915)

摘要/Abstract

摘要：

针对超关系知识图谱（HKG）中限定符稀疏现象导致的超关系事实语义表征不完整以及任务精度和泛化能力不足的问题，提出基于大语言模型（LLM）的HKG限定符增强方法（L-EQs）。首先，通过关联知识库获取语义丰富的描述信息，以减轻实体和关系因相同标签而导致的语义混淆；其次，使用提示词模板引导LLM生成匹配的限定符及其语义解释作为外源知识，而为了保证限定符的质量，采用迭代式提示策略对生成的限定符进行筛选，并通过多次迭代生成限定符直至达到预定数量；再次，通过语义解释构建外源知识嵌入，并利用外源知识聚合模块抑制噪声，从而将外源知识与原始知识嵌入融合，为下游任务提供高质量的语义支持；最后，通过解码器预测任务结果，并在开源数据集WikiPeople和WD50K上进行广泛实验，以验证L-EQs的有效性。实验结果表明，L-EQs的平均倒数排名（MRR）、Hit@1、Hit@5和Hit@10相较于基线中的最优结果在WikiPeople数据集上分别提升了8.4、4.7、5.3和6.8个百分点，在WD50K数据集上分别提升了4.8、2.3、2.7和3.0个百分点。L-EQs解决了HKG中限定符稀疏现象和超关系事实语义表征不完整带来的问题。

关键词: 超关系知识图谱, 大语言模型, 超关系知识图谱补全, 超关系事实, 限定符

Abstract:

Aiming at the problems of incomplete semantic representation of hyper-relational facts as well as insufficient task accuracy and generalization ability caused by the qualifier sparsity in Hyper-relational Knowledge Graphs （HKGs）， a Large language model-driven method for Qualifier Enhancement in HKGs （L-EQs） was proposed. First， semantically rich description information was obtained from the associated knowledge bases to mitigate semantic ambiguity caused by the same labels of entities and relations. Second， prompt templates were used to guide the LLM in generating the matched qualifiers and their semantic explanations as external knowledge. To ensure the quality of the qualifiers， an iterative prompting strategy was employed to filter the generated qualifiers， with multiple iterations conducted until the predetermined quantity was reached. Third， embeddings of external knowledge were constructed through the semantic explanations， and an external knowledge aggregation module was introduced to suppress noise， thereby providing high-quality semantic support for the downstream task by integrating external knowledge and original knowledge embeddings. Finally， the task results were predicted through a decoder， and extensive experiments were conducted on the open-source datasets WikiPeople and WD50K to validate the effectiveness of the L-EQs. Experimental results show that compared to the optimal results of the baseline models， the Mean Reciprocal Rank （MRR）， Hit@1， Hit@5， and Hit@10 of the L-EQs are increased by 8.4， 4.7， 5.3， and 6.8 percentage points， respectively， on the WikiPeople dataset， and are improved by 4.8， 2.3， 2.7， and 3.0 percentage points， respectively， on the WD50K. L-EQs addresses the qualifier sparsity in HKG and the issues caused by the incomplete semantic representations.

Key words: Hyper-relational knowledge graph (HKG), Large Language Model (LLM), Hyper-relational Knowledge Graph Completion (HKGC), hyper-relational fact, qualifier

中图分类号:

TP391.1

李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 计算机应用, 2026, 46(7): 2043-2053.

Jiahang LI, Qilong HAN, Lijie LI, Hui ZHANG. Large language model-driven method for qualifier enhancement in hyper-relational knowledge graphs[J]. Journal of Computer Applications, 2026, 46(7): 2043-2053.

图/表 12

图1 WikiPeople与WD50K数据集中二元事实与超关系事实的分布情况

Fig. 1 Distribution of binary and hyper-relational facts in WikiPeople and WD50K datasets

图2 L-EQs总体框架

Fig. 2 Overall framework of L-EQs

表1 数据集的统计信息

Tab. 1 Statistics of datasets

数据集	实体数	关系数	样本数
数据集	实体数	关系数	训练集	验证集	测试集
WikiPeople	34 825	178	294 439	37 715	37 712
WD50K	47 156	531	166 435	23 913	46 159

表2 超关系知识图谱补全的实验结果

Tab. 2 Experimental results of hyper-relational knowledge graph completion

分类	模型	WikiPeople				WD50K
分类	模型	MRR	Hit@1	Hit@5	Hit@10	MRR	Hit@1	Hit@5	Hit@10
非原始结构模型	NaLP	0.407	0.335		0.549	0.174	0.132		0.265
	HyConvE	0.361	0.273	0.385	0.497	0.297	0.225	0.318	0.372
	HyCubE	0.436	0.362		0.583	0.302	0.247		0.417
原始结构模型	STARE	0.483	0.379	0.581	0.627	0.339	0.260	0.401	0.485
	Hy-T	0.480	0.406	0.577	0.621	0.336	0.269	0.394	0.481
	ShrinkE	0.482	0.416	0.503	0.593	0.335	0.268	0.397	0.480
	HEAT	0.507	0.332	0.493	0.629	0.343	0.208	0.412	0.514
	sHINGE	0.459	0.382	0.476	0.542	0.326	0.252	0.374	0.458
	IRE	0.513	0.441	0.598	0.656	0.358	0.281	0.403	0.513
	L-EQs	0.597	0.488	0.651	0.724	0.406	0.304	0.439	0.544

图3 限定符生成过程的有效性分析

Fig. 3 Effective evaluation of qualifier generation process

图4 外源知识嵌入构建的有效性分析

Fig. 4 Effective evaluation of external knowledge embedding construction

图5 外源知识聚合模块有效性分析

Fig. 5 Effective evaluation of external knowledge aggregation module

图6 不同模型在噪声限定符环境下的性能对比

Fig. 6 Performance comparison of different models under noise qualifier conditions

图7 不同LLM在限定符生成过程中的有效性分析

Fig. 7 Effective evaluation of different LLMs in qualifier generation process

图8 不同LLM在外源知识嵌入模块中的有效性分析

Fig. 8 Effective evaluation of different LLMs in external knowledge embedding module

图9 超参数mf的敏感性分析

Fig. 9 Sensitivity analysis of hyperparameter mf

表3 HKGC案例

Tab. 3 Case study of HKGC

Top-5排名	HEAT	IRE	L-EQs（M）	L-EQs
1	Brentford	BUFC	MTFC	LCFC
2	Flamengo	ASMFC	Didier Six	Man Utd
3	ASMFC	LCFC	LCFC	R.Zaragoza
4	LCFC	Man Utd	3.Liga	Barcelona
5	S.C.I	Barcelona	TBJ	WBAFC

参考文献 42

[1]	Cao J， Fang J， Meng Z， et al. Knowledge graph embedding： a survey from the perspective of representation spaces ［J］. ACM Computing Surveys， 2024， 56（6）： No.159.
[2]	Liang K， Meng L， Liu M， et al. A survey of knowledge graph reasoning on graph types： static， dynamic， and multi-modal ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（12）： 9456-9478.
[3]	丁瑞卿，赵俊峰，王乐业.综合实体语义和本体信息的多源中文医疗知识图谱实体对齐［J］.软件学报， 2025， 36（11）： 5178-5196.
	Ding Ruiqing， Zhao Junfeng， Wang Leye. Multi-source Chinese medical knowledge graph entity alignment via entity semantics and ontology information ［J］. Journal of Software， 2025， 36（11）： 5178-5196.
[4]	Vidal M E， Chudasama Y， Huang H， et al. Integrating knowledge graphs with symbolic AI： the path to interpretable hybrid AI systems in medicine ［J］. Journal of Web Semantics， 2025， 84： No.100856.
[5]	杜雪盈，刘名威，沈立炜，等.面向链接预测的知识图谱表示学习方法研究综述［J］.软件学报， 2024， 35（1）： 87-117.
	Du Xueying， Liu Mingwei， Shen Liwei， et al. Research on knowledge graph representation learning methods for link prediction： a review ［J］. Journal of Software， 2024， 35（1）： 87-117.
[6]	Shomer H， Jin W， Li J， et al. Learning representations for hyper-relational knowledge graphs ［C］// ASONAM 2023. New York： ACM， 2023： 253-257.
[7]	Cao Z， Xu Q， Yang Z， et al. GAHE： geometry-aware embedding for hyper-relational knowledge graph representation ［J］. ACM Transactions on Multimedia Computing， Communications and Applications， 2025， 21（7）： No.205.
[8]	Fatemi B， Taslakian P， Vazquez D， et al. Knowledge hypergraphs： prediction beyond binary relations ［C］// IJCAI 2021. California： ijcai.org， 2021： 2191-2197.
[9]	Guan S， Jian X， Guo J， et al. Link prediction on n-ary relational data based on relatedness evaluation ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（1）： 672-685.
[10]	Wang C， Wang X， Li Z， et al. HyConvE： a novel embedding model for knowledge hypergraph link prediction with convolutional neural networks ［C］// WWW 2023. New York： ACM， 2023： 188-198.
[11]	Li Z， Wang X， Zhao J， et al. HyCubE： efficient knowledge hypergraph 3D circular convolutional embedding ［J］. IEEE Transactions on Knowledge and Data Engineering， 2025， 37（4）： 1902-1914.
[12]	Galkin M， Trivedi P， Maheshwari G， et al. Message passing for hyper-relational knowledge graphs ［C］// EMNLP 2020. Stroudsburg： ACL， 2020： 7346-7359.
[13]	Yu D， Yang Y. Improving hyper-relational knowledge graph completion ［PP/OL］. arXiv （2021-04-16）［2025-04-12］. .
[14]	Xiong B， Nayyeri M， Pan S， et al. Shrinking embeddings for hyper-relational knowledge graphs ［C］// ACL 2023. Stroudsburg： ACL， 2023： 13306-13320.
[15]	Ma T， Huang L， Xue H. Improving hyper-relational knowledge graph representation with multi-grained encoding ［C］// DASFAA 2023. Cham： Springer， 2023： 758-767.
[16]	Lu Y， Yang D， Wang P， et al. Schema-aware hyper-relational knowledge graph embeddings for link prediction ［J］. IEEE Transactions on Knowledge and Data Engineering， 2024， 36（6）： 2614-2628.
[17]	Han Q， Li J， Lu D， et al. Independent embedding-based relational enhancement model for hyper-relational knowledge graph ［C］// DASFAA 2024. Singapore： Springer， 2024： 496-506.
[18]	Luo H， E H， Yang Y， et al. Text2NKG： fine-grained n-ary relation extraction for n-ary relational knowledge graph construction ［C］// NeurIPS 2024. Red Hook： Curran Associates Inc.， 2024： 27417-27439.
[19]	Hu Z， Gutiérrez-Basulto V， Xiang Z， et al. HyperFormer： enhancing entity and relation interaction for hyper-relational knowledge graph completion ［C］// CIKM 2023. New York： ACM， 2023： 803-812.
[20]	Liu X， Mao T， Shi Y， et al. Overview of knowledge reasoning for knowledge graph ［J］. Neurocomputing， 2024， 585： No.127571.
[21]	Yin G， Zhang H， Yang Y， et al. Inductive link prediction on n-ary relational facts via semantic hypergraph reasoning ［C］// KDD 2025.1. New York： ACM， 2025： 1821-1832.
[22]	Li J， Luo X， Lu G， et al. Hyper-relational knowledge representation learning with multi-hypergraph disentanglement ［C］// WWW 2025. New York： ACM， 2025： 3288-3299.
[23]	Ren X， Tang J， Yin D， et al. A survey of large language models for graphs ［C］// KDD 2024. New York： ACM， 2024： 6616-6626.
[24]	Liu B， Fang Y， Xu N， et al. Large language models for knowledge graph embedding techniques， methods， and challenges： a survey ［J］. Mathematics， 2025， 13（14）： No.2244.
[25]	Agrawal G， Pal K， Deng Y， et al. CyberQ： generating questions and answers for cybersecurity education using knowledge graph-augmented LLMs ［C］// AAAI 2024. Palo Alto： AAAI Press， 2024： 23164-23172.
[26]	Sun L， Tao Z， Li Y， et al. ODA： observation-driven agent for integrating LLMs and knowledge graphs ［C］// ACL 2024. Stroudsburg： ACL， 2024： 7417-7431.
[27]	Liu B， Zhang J， Lin F， et al. Filter-then-generate： large language models with structure-text adapter for knowledge graph completion ［C］// COLING 2025. Stroudsburg： ACL， 2025： 11181-11195.
[28]	Tan X， Wang X， Liu Q， et al. Paths-over-graph： knowledge graph empowered large language model reasoning ［C］// WWW 2025. New York： ACM， 2025： 3505-3522.
[29]	Liu H， Wang S， Zhu Y， et al. Knowledge graph-enhanced large language models via path selection ［C］// ACL 2024. Stroudsburg： ACL， 2024： 6311-6321.
[30]	Shu X， Dang X， Dong X， et al. Utilizing large language models for hyper knowledge graph construction in mine hoist fault analysis ［J］. Symmetry， 2024， 16（12）： No.1600.
[31]	Dang X， Shu X， Li F， et al. Research on predicting super-relational data links for mine hoists within hyper-relational knowledge graphs ［J］. Information， 2025， 16（1）： No.3.
[32]	Panda P， Agarwal A， Devaguptapu C， et al. HOLMES： hyper-relational knowledge graphs for multi-hop question answering using LLMs ［C］// ACL 2024. Stroudsburg： ACL， 2024： 13263-13282.
[33]	Cui H， Wang N， Han Q， et al. A two-stage parallel method on GPU based on hybrid-compression-format for diagonal matrix ［J］. Concurrency and Computation： Practice and Experience， 2024， 36（1）： No.e7887.
[34]	Cui H， Wang N， Wang Y， et al. An effective SPMV based on block strategy and hybrid compression on GPU ［J］. The Journal of Supercomputing， 2022， 78（5）： 6318-6339.
[35]	Vrandečić D， Krötzsch M. Wikidata： a free collaborative knowledgebase ［J］. Communications of the ACM， 2014， 57（10）： 78-85.
[36]	Sun Z， Deng Z H， Nie J Y， et al. RotatE： knowledge graph embedding by relational rotation in complex space ［PP/OL］. arXiv （2019-02-26）［2025-04-12］. .
[37]	Team Llama. The Llama 3 herd of models ［PP/OL］. V3. arXiv （2024-11-23）［2025-04-12］. .
[38]	DeepSeek-AI. DeepSeek-R1： incentivizing reasoning capability in LLMs via reinforcement learning ［PP/OL］. arXiv （2025-01-22）［2025-04-12］. .
[39]	Bai J， Bai S， Chu Y， et al. Qwen technical report ［PP/OL］. arXiv （2023-09-28）［2025-04-12］. .
[40]	Team MiniCPM. MiniCPM4： ultra-efficient LLMs on end devices ［PP/OL］. arXiv （2025-06-09）［2025-04-12］. .
[41]	Sheng L， Zhang A， Zhang Y， et al. Language representations can be what recommenders need： findings and potentials ［PP/OL］. V4. arXiv （2025-04-21）［2025-04-12］. .
[42]	Touvron H， Martin L， Stone K， et al. Llama 2： open foundation and fine-tuned chat models ［PP/OL］. V2. arXiv （2023-07-19）［2025-04-12］. .

基于大语言模型的超关系知识图谱限定符增强方法

Large language model-driven method for qualifier enhancement in hyper-relational knowledge graphs

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 42

相关文章 15

编辑推荐

Metrics

[1]	侯迪迪, 洪少东, 付玉杰, 崔允贺, 申国伟. 基于大语言模型链接的网络安全实体识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2064-2073.
[2]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[3]	程雅典, 李颖颖, 张平, 邱芳冰, 柴晓楠, 舒玉巧. 基于双角色交互机制的心理健康大语言模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2054-2063.
[4]	朱林凯, 杨璐, 张弘杰, 吴子衿, 刘璐. LLM与SWRL驱动的跨境数据合规异构跨链智能合约生成框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2074-2084.
[5]	熊龙雨, 杜圣东, 史浩琛, 胡节, 杨燕, 李天瑞. 基于知识增强大语言模型架构的政务热线问答系统[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1721-1727.
[6]	王劲滔, 高志霖, 孟琪翔, 卜凡亮. 基于大语言模型重构案件信息的类案检索方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1785-1792.
[7]	易宇声, 黄兆豪, 邓梓昊, 孔蕾蕾, 齐浩亮. 面向信创数据库迁移的多知识库协同大语言模型提示框架CORER[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1811-1817.
[8]	蔡泰鑫, 魏凤凤. 面向多解旅行商问题的大语言模型增强蚁群优化算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1712-1720.
[9]	盛兴, 翁孙贤, 陈扩松, 王忠平, 任芮锋, 刘勇. 基于深度学习的电网企业专利价值评估[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1468-1474.
[10]	王倩飞, 李旸, 李德玉, 王素格. 基于大语言模型的双通道特征融合表示的短文本聚类方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1441-1449.
[11]	郑嘉丽, 周刚, 陈静, 李顺航. 基于多特征自适应融合的智能生成文本检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1433-1440.
[12]	陈浩轩, 叶培昌, 刘磊, 刘承明, 胡文华. 自动代码编辑推荐综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1227-1237.
[13]	王晓宇, 李欣, 薛迪, 蒋章涛, 王威, 肖岩军. 基于大语言模型的视频监控网络安全漏洞分类框架[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1158-1170.
[14]	师凯洲, 何旋, 候国义, 李根, 李泷杲, 黄翔. 基于大语言模型的机载产品计量溯源知识图谱构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1086-1095.
[15]	张昊洋, 张丽萍, 闫盛, 李娜, 张学飞. 面向知识图谱补全的大模型方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 683-695.