NLP-AKG：基于大型语言模型的NLP学术知识图谱少样本构建
计算与语言
2025-02-21 v1 数字图书馆
摘要
大型语言模型（LLM）已广泛应用于科研论文问答。为提高响应的专业性和准确性，许多研究采用外部知识增强。然而，现有的外部知识结构往往仅关注论文实体或领域概念，忽略了通过共享领域概念连接论文之间的内在关系，这导致在结合论文和概念时提供不够全面和具体的答案。为此，我们提出了一种新型知识图谱框架，捕捉学术论文之间深层概念关系，通过论文内语义元素和论文间引用关系构建关系网络。利用基于LLM的少样本知识图谱构建方法，我们开发了NLP-AKG，即面向NLP领域的学术知识图谱，从ACL Anthology中的60,826篇论文中提取620,353个实体和2,271,584个关系。基于此，我们提出了“子图社区总结”方法，并在三个NLP科学文献问答数据集上验证了其有效性。
引用
@article{arxiv.2502.14192,
title = {NLP-AKG: Few-Shot Construction of NLP Academic Knowledge Graph Based on LLM},
author = {Jiayin Lan and Jiaqi Li and Baoxin Wang and Ming Liu and Dayong Wu and Shijin Wang and Bing Qin},
journal= {arXiv preprint arXiv:2502.14192},
year = {2025}
}