面向知识图构建方法与图神经网络的统一基准
机器学习
2026-05-08 v1 人工智能
计算与语言
摘要
从文本中自动构建的知识图谱在实际应用中日益增多，但其固有的噪声、碎片化和语义不一致性显著影响图神经网络（GNN）在下游任务上的性能。评估其性能和鲁棒性仍然困难，因为往往不清楚观察到的结果是来自学习模型还是来自构建图的质量。本文引入一个双目的基准，旨在联合评估（i）GNN 在噪声文本派生图上的性能，以及（ii）图构建方法在下游任务上的有效性。该基准建立在生物医学领域，基于单个文本语料库，包含两个使用不同提取方法自动构建的图，以及由专家精心策划的高质量参考图，作为上限性能基准。这种设计使构建方法的比较受控，同时通过半监督节点分类系统地评估 GNN 的鲁棒性。我们进一步提供一个标准化、可重复、可扩展的评估框架，促进新的图提取方法和学习模型的集成。
引用
@article{arxiv.2605.05476,
title = {A Unified Benchmark for Evaluating Knowledge Graph Construction Methods and Graph Neural Networks},
author = {Othmane Kabal and Mounira Harzallah and Fabrice Guillet and Hideaki Takeda and Ryutaro Ichise},
journal= {arXiv preprint arXiv:2605.05476},
year = {2026}
}