Abstract
グラフ埋め込み（KGE）モデルはリンク予測で良好な性能を発揮しますが、未見のエンティティ・関係、特にリテラルに対しては苦手であり、そのため動的で異種混在なグラフでの利用が制限されます。これに対して、事前学習済みの大規模言語モデル（LLM）は、プロンプトによって効果的に一般化します。私たちはリンク予測をプロンプト学習の問題として再定式化し、三つ組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・ソート（CoT）プロンプトを学習する RALP を提案します。MIPRO アルゴリズムによるベイズ最適化を用いることで、RALP は勾配アクセスなしで 30 未満の学習例から有効なプロンプトを特定します。推論時には、RALP は欠落したエンティティ・関係、または三つ組全体を予測し、学習したプロンプトに基づいて信頼度スコアを付与します。評価は、推移的（transductive）、数値、および OWL インスタンス検索のベンチマークで行います。RALP は、データセット全体で MRR を 5% 以上上回る形で最先端の KGE モデルを改善し、高品質に推論された三つ組によって一般化を強化します。複雑なクラス式を伴う OWL 推論タスク（例: \exists hasChild.Female、\geq 5 \; hasChild.Female）では、88% を超える Jaccard 類似度を達成します。これらの結果は、埋め込みベースの手法に代わる柔軟な選択肢として、プロンプトベースの LLM 推論を示しています。実装・学習・評価のパイプラインをオープンソースとして公開します: https://github.com/dice-group/RALP .
