Graphusion：利用大型语言模型进行科学知识图谱融合与构建
计算与语言
2024-07-16 v1 人工智能
摘要
知识图谱(KG)在人工智能领域至关重要，在下游任务中广泛应用，例如增强问答(QA)系统。KG的构建通常需要来自领域专家的大量工作。最近，大型语言模型(LLM)被用于知识图谱构建(KGC)，然而，大多数现有方法仅从局部视角提取单个句子或文档中的知识三元组。本文介绍Graphusion，一个从自由文本中进行KGC的零样本框架。核心融合模块提供三元组的全局视图，包括实体合并、冲突解决和新三元组发现。我们展示了Graphusion如何应用于自然语言处理(NLP)领域，并在教育场景中对其进行验证。具体而言，我们引入TutorQA，一个新建的专家验证的基准，用于图推理和问答，包含六个任务，总计1,200个问答对。我们的评估表明，Graphusion在链接预测方面超过监督性基线方法最高可达10%。此外，它在概念实体提取和关系识别的人类评估中分别达到3分中的2.92和2.37。
引用
@article{arxiv.2407.10794,
title = {Graphusion: Leveraging Large Language Models for Scientific Knowledge Graph Fusion and Construction in NLP Education},
author = {Rui Yang and Boming Yang and Sixun Ouyang and Tianwei She and Aosong Feng and Yuang Jiang and Freddy Lecue and Jinghui Lu and Irene Li},
journal= {arXiv preprint arXiv:2407.10794},
year = {2024}
}
备注
24 pages, 11 figures, 13 tables. arXiv admin note: substantial text overlap with arXiv:2402.14293