本文是LLM系列文章，针对《Exploring Large Language Models for Knowledge Graph Completion》的翻译。
知识图谱在众多人工智能任务中发挥着至关重要的作用，但它们经常面临不完全性问题。在这项研究中，我们探索利用大型语言模型（LLM）来补全知识图谱。我们将知识图谱中的三元组视为文本序列，并引入了一个名为知识图谱LLM（KGLLM）的创新框架来对这些三元组进行建模。我们的技术使用三元组的实体和关系描述作为提示，并利用响应进行预测。在各种基准知识图谱上的实验表明，我们的方法在三重分类和关系预测等任务中取得了最先进的性能。我们还发现，微调相对较小的模型（例如，LLaMA-7B、ChatGLM6B）的性能优于最近的ChatGPT和GPT-4。