尧图网站建设 
该文章提出了LLMAtKGE框架，将大型语言模型（LLMs）用于知识图谱嵌入（KGE）的黑盒对抗攻击，能筛选攻击目标并生成可读解释，实验证明其性能优于主流黑盒基线，部分场景比肩白盒方法。一、文章主要内容研究背景KGE易受对抗攻击影响，现有黑盒攻击方法无法生成可读解释且泛化性差，而LLMs在文本理解、生成和推理上能力突出，具备解决上述问题的潜力。现有KGE攻击常依赖启发式方法和大规模枚举，且缺乏标注数据集，难以对LLMs进行有监督微调。核心框架LLMAtKGE提示工程：将攻击任务设计为选择题，提示包含攻击指令、示例、候选集和实体描述，约束LLM推理方向，减少幻觉。候选集过滤：针对LLM上下文窗口有限和推理犹豫问题，设计语义过滤（基于余弦相似度筛选语义相近候选）和中心性过滤（用PageRank等指标筛选关键实体），压缩候选集同时保留关键信息。高阶邻接（HoA）微调：预计算高阶邻接矩阵，将多跳图结构信息转化为文本嵌入空间，结合三元组分类任务微调LLM，平衡语义与结构信息，提升过滤性能。实验与结果在WN18RR和FB15k-237数据集上，对DistMult、ComplEx、ConvE、TransE四种KGE模型进行删除和添 LLMAtKGE: Large Language Models as Explainable Attackers against Knowledge Graph Embeddings
该文章提出了LLMAtKGE框架，将大型语言模型（LLMs）用于知识图谱嵌入（KGE）的黑盒对抗攻击，能筛选攻击目标并生成可读解释，实验证明其性能优于主流黑盒基线，部分场景比肩白盒方法。一、文章主要内容研究背景KGE易受对抗攻击影响，现有黑盒攻击方法无法生成可读解释且泛化性差，而LLMs在文本理解、生成和推理上能力突出，具备解决上述问题的潜力。现有KGE攻击常依赖启发式方法和大规模枚举，且缺乏标注数据集，难以对LLMs进行有监督微调。核心框架LLMAtKGE提示工程：将攻击任务设计为选择题，提示包含攻击指令、示例、候选集和实体描述，约束LLM推理方向，减少幻觉。候选集过滤：针对LLM上下文窗口有限和推理犹豫问题，设计语义过滤（基于余弦相似度筛选语义相近候选）和中心性过滤（用PageRank等指标筛选关键实体），压缩候选集同时保留关键信息。高阶邻接（HoA）微调：预计算高阶邻接矩阵，将多跳图结构信息转化为文本嵌入空间，结合三元组分类任务微调LLM，平衡语义与结构信息，提升过滤性能。实验与结果在WN18RR和FB15k-237数据集上，对DistMult、ComplEx、ConvE、TransE四种KGE模型进行删除和添