Este artículo propone HERGC, un novedoso marco de autocompletado de grafos de conocimiento multimodal (MMKGC) que aprovecha modelos de lenguaje a gran escala (LLM) para abordar la incompletitud de los grafos de conocimiento multimodal (MMKG) que integran diversas modalidades (p. ej., imágenes y texto). HERGC enriquece y fusiona la información multimodal con buscadores de representación experta heterogéneos para recuperar un conjunto de candidatos para cada tripleta incompleta y, posteriormente, identificar con precisión la respuesta correcta mediante un predictor LLM generativo implementado mediante aprendizaje en contexto o ajuste fino ligero. Experimentos exhaustivos con tres referencias MMKG estándar demuestran que HERGC supera a los métodos existentes.
