基于大型语言模型的定制化信息与领域中心知识图谱构建
人工智能
2024-10-01 v1 计算与语言
摘要
本文提出一种新方法，利用知识图谱提供结构化信息的及时访问，以实现可操作的技术情报，改进网络-物理系统规划。我们的框架包括文本挖掘过程，包括信息检索、关键短语提取、语义网络创建和主题地图可视化。随后，我们采用一种受电子和创新本体支持的选择性知识图谱构建（KGC）方法，针对网络-物理系统进行多目标决策。我们将方法应用于汽车电气系统领域进行演示，该方法具有可扩展性。我们的结果表明，构建过程在类别识别、关系构建和正确的"子类关系"分类方面显著优于GraphGPT以及我们的双LSTM和变压器REBEL方法（使用预定义数据集）。此外，我们概述了推理应用，并与Wikidata比较，展示了该方法的差异和优势。
引用
@article{arxiv.2409.20010,
title = {Customized Information and Domain-centric Knowledge Graph Construction with Large Language Models},
author = {Frank Wawrzik and Matthias Plaue and Savan Vekariya and Christoph Grimm},
journal= {arXiv preprint arXiv:2409.20010},
year = {2024}
}
备注
Presented at CAIPI Workshop at AAAI 2024