从人类专家到机器：一种LLM支持的本体与知识图谱构建方法
计算与语言
2024-03-14 v1
摘要
构建本体和知识图谱（KG）的传统过程严重依赖人类领域专家来定义实体和关系类型、建立层次结构、保持与领域的相关性、填充ABox（或用实例填充）以及确保数据质量（包括准确性和完整性等）。另一方面，大语言模型（LLM）最近因其理解和生成类人自然语言的能力而广受欢迎，为自动化这一过程的某些方面提供了有前景的途径。本工作探索了由开源LLM促进的知识图谱（半）自动构建。我们的流程包括制定能力问题（CQ）、基于这些CQ开发本体（TBox）、使用开发的本体构建知识图谱，以及在极少或没有人类专家参与的情况下评估生成的知识图谱。我们通过利用学术出版物创建一个关于深度学习方法的KG，展示了半自动化流程的可行性。为了评估通过检索增强生成（RAG）生成的答案以及使用LLM自动提取的KG概念，我们设计了一个评判LLM，它基于真实标准对生成的内容进行评分。我们的发现表明，使用LLM有可能减少构建知识图谱所需的人力，尽管建议采用人在回路中的方法来评估自动生成的知识图谱。
引用
@article{arxiv.2403.08345,
title = {From human experts to machines: An LLM supported approach to ontology and knowledge graph construction},
author = {Vamsi Krishna Kommineni and Birgitta König-Ries and Sheeba Samuel},
journal= {arXiv preprint arXiv:2403.08345},
year = {2024}
}