摘要：知识图谱（KG）可从海量数据中提取并结构化表示先验知识，在智能系统的构建与应用中发挥着关键作用。知识图谱补全旨在预测知识图谱中缺失的三元组以提升完整性和可用性，通常涵盖编码环节与预测环节。然而，传统知识图谱补全方法在编码环节存在难以有效利用额外信息与语义信息的问题，预测环节存在知识覆盖不完全及封闭世界问题，且先编码后预测的框架受到嵌入表示形式和计算效率的限制。大语言模型（LLM）凭借丰富知识和强大理解力能够解决这些问题。首先，概述了知识图谱与LLM的基本概念及研究现状，并阐述知识图谱补全流程；其次，将现有基于LLM的知识图谱补全方法从将LLM作为编码器、生成器以及基于提示引导的知识图谱补全方法三方面进行总结和梳理；最后，整理模型在不同数据集上的性能表现并探讨基于LLM的知识图谱补全研究面临的问题与挑战。
