Hyper-KGGen：面向高质量知识超图生成的技能驱动知识提取器
计算与语言
2026-02-24 v1 信息检索
摘要
知识超图超过传统的二元知识图谱，通过封装复杂的 n 元原子事实，提供了更全面的语义表示范式。然而，构建高质量的超图仍然具有挑战性，因为存在“情景差距”：通用提取器难以在具有特定术语的多样化领域中泛化，而现有方法往往难以平衡结构框架和细粒度细节。为弥合此差距，我们提出了 \textbf{Hyper-KGGen}，一个技能驱动的框架，将提取重新表述为动态技能演化过程。首先，Hyper-KGGen 采用“粗到细”机制系统性地分解文档，确保从二元链接到复杂超边的全维覆盖。关键在于，它整合了一个“自适应技能获取”模块，通过稳定性反馈环路主动将领域专业知识提炼到 Global Skill Library。这通过将提取稳定性作为相对奖励信号，以从不稳定的痕迹和遗漏的预测中诱导高质量技能。此外，我们提出了 \textbf{HyperDocRED}，一个严格标注的文档级知识超图提取基准。实验表明，Hyper-KGGen 在强大的基线上显著优于前者，验证了演化技能在多场景设置中提供了远乃于静态 few-shot 示例的更丰富指导。
引用
@article{arxiv.2602.19543,
title = {Hyper-KGGen: A Skill-Driven Knowledge Extractor for High-Quality Knowledge Hypergraph Generation},
author = {Rizhuo Huang and Yifan Feng and Rundong Xue and Shihui Ying and Jun-Hai Yong and Chuan Shi and Shaoyi Du and Yue Gao},
journal= {arXiv preprint arXiv:2602.19543},
year = {2026}
}