从通用知识图谶扩展领域特定知识图谶：挖掘与集成
人工智能
2026-02-16 v3
摘要
领域特定知识图谶 (DKG) 是关键组件，但常常因覆盖范围有限而受限于通用知识图谶 (GKG)。现有研究要么从外部非结构化数据中提取知识，要么通过内部推理完成知识图谶，但此类集成的范围和质量仍受限。这凸显了一个关键缺口：缺乏系统性探索如何有效利用完整且高质量的 GKG 来补充 DKG。为此，我们提出一种新型且实用的任务：领域特定知识图谶融合 (DKGF)，旨在从通用知识图谶中挖掘并整合相关事实，以增强 DKG 的完整性和实用性。不同于以往研究，此任务面临两个关键挑战：(1) 领域相关性高度模糊，即难以确定 GKG 中的知识是否真正与目标领域相关；(2) 跨域知识粒度错位，即 GKG 事实通常较为抽象且粗粒度，而 DKG 则需要更具语境化的、细粒度的表述，以适应特定领域场景。为此，我们提出 ExeFuse，一种基于新颖事实即程序范式的神经符号框架。ExeFuse 将融合过程视为可执行过程，利用神经符号执行推断逻辑相关性（超越表面相似性），并通过目标空间校准实现粒度校准。我们构建了两个新数据集，以建立该任务的第一个标准化评估套件。大量实验表明，ExeFuse 有效克服了领域壁垒，实现了卓越的融合性能。
引用
@article{arxiv.2601.10485,
title = {Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge},
author = {Runhao Zhao and Weixin Zeng and Wentao Zhang and Chong Chen and Zhengpin Li and Xiang Zhao and Lei Chen},
journal= {arXiv preprint arXiv:2601.10485},
year = {2026}
}
备注
13 pages, 3 figures