ExKG-LLM：利用大语言模型自动扩展认知神经科学知识图谱
人工智能
2025-07-09 v1
摘要
本文介绍了 ExKG-LLM，这是一个旨在利用大语言模型 (LLMs) 自动扩展认知神经科学知识图谱 (CNKG) 的框架。它通过提高 CNKG 的准确性、完整性和实用性，解决了现有工具的局限性。该框架利用包含科学论文和临床报告的大型数据集，应用最先进的 LLMs 来提取、优化和整合新的实体与关系。评估指标包括精确率、召回率和图密度。结果显示出显著改善：精确率 (0.80, +6.67%)，召回率 (0.81, +15.71%)，F1 分数 (0.805, +11.81%)，以及边缘节点的增加 (21.13% 和 31.92%)。图密度略有下降，反映出一种更广泛但更碎片化的结构。参与率提高了 20%，而 CNKG 直径增加至 15，表明结构更加分布式。时间复杂度改善至 O(n log n)，但空间复杂度上升至 O(n2)，表明内存使用量更高。ExKG-LLM 展示了在增强认知神经科学中的知识生成、语义搜索和临床决策方面的潜力，并可适应更广泛的科学领域。
引用
@article{arxiv.2503.06479,
title = {ExKG-LLM: Leveraging Large Language Models for Automated Expansion of Cognitive Neuroscience Knowledge Graphs},
author = {Ali Sarabadani and Kheirolah Rahsepar Fard and Hamid Dalvand},
journal= {arXiv preprint arXiv:2503.06479},
year = {2025}
}