본 논문은 지식 그래프 완성(KGC) 문제를 해결하기 위해 컨텍스트를 풍부하게 활용하는 새로운 프레임워크인 KGR3을 제안합니다. 기존 임베딩 기반 방법들의 한계인 잘못된 관계 패턴과 긴 꼬리 엔티티 문제, 그리고 텍스트 기반 방법들의 지식 그래프 삼중항과 자연어 간의 의미 차이 문제를 해결하기 위해, KGR3은 검색, 추론, 재순위 지정 세 가지 모듈로 구성됩니다. 검색 모듈은 KG에서 관련 삼중항을 수집하고 후보 답변을 추출하며 컨텍스트를 수집합니다. 추론 모듈은 거대 언어 모델을 사용하여 잠재적 답변을 생성하고, 재순위 지정 모듈은 두 모듈의 결과를 결합하여 최적의 답변을 제공합니다. 실험 결과, KGR3은 다양한 KGC 방법들을 개선하며, FB15k237과 WN18RR 데이터셋에서 Hits@1 성능을 각각 12.3%와 5.6% 향상시켰습니다.
