LOKE：面向自动化知识图谱构建的链接开放知识抽取
计算与语言
2023-11-17 v1 人工智能
摘要
尽管开放信息抽取（Open IE）用于知识图谱构建（KGC）的潜力看似可观，我们发现 Open IE 抽取结果与现有知识图谱的对齐并不充分。大语言模型（LLMs）的出现，尤其是可商用的 OpenAI 模型，重置了人们对深度学习模型可行性的预期，并催生了称为提示工程的新领域。我们研究使用 GPT 模型与提示工程，以 Wikidata 知识图谱进行知识图谱构建，以解决与 Open IE 类似的问题，我们称之为开放知识抽取（OKE），所用方法称为链接开放知识抽取器（LOKE，发音同“Loki”）。我们认为实体链接任务对真实世界知识图谱的构建至关重要。我们将 CaRB 基准评分方法与 TekGen 数据集的数据合并用于 LOKE 任务。随后我们展示，一个精心设计的提示配合朴素的实体链接方法（称为 LOKE-GPT），在 OKE 任务上优于 AllenAI 的 OpenIE 4 实现，尽管由于 TekGen 集中三元组整体稀缺，其相比参考集生成了过多三元组。通过对 CaRB 数据集中的实体可链接性以及 OpenIE 4 与 LOKE-GPT 输出进行分析，我们看到 LOKE-GPT 与“银标” TekGen 三元组表明该任务在内容上（即便不在结构上）与 OIE 显著不同。通过此分析及对所有方法句子抽取的定性分析，我们发现 LOKE-GPT 抽取对 KGC 任务具有高实用性，适用于半自动抽取环境。
引用
@article{arxiv.2311.09366,
title = {LOKE: Linked Open Knowledge Extraction for Automated Knowledge Graph Construction},
author = {Jamie McCusker},
journal= {arXiv preprint arXiv:2311.09366},
year = {2023}
}