利用大语言模型量化文化遗产知识图谱中的关系探索：一种神经符号方法
人工智能
2025-01-14 v1
摘要
本文引入了一种用于文化遗产知识图谱中关系探索的神经符号方法，利用大语言模型（LLM）生成解释，并利用新颖的数学框架量化关系的有趣性。我们通过定量分析展示了有趣性度量的重要性，强调了其对所提出系统整体性能的影响，特别是在精确率、召回率和F1分数方面。使用维基数据文化遗产关联开放数据（WCH-LOD）数据集，我们的方法取得了0.70的精确率、0.68的召回率和0.69的F1分数，相比基于图的基线（精确率0.28、召回率0.25、F1分数0.26）和基于知识的基线（精确率0.45、召回率0.42、F1分数0.43）有所提升。此外，我们的LLM驱动的解释表现出更好的质量，反映在BLEU（0.52）、ROUGE-L（0.58）和METEOR（0.63）分数上，均高于基线方法。我们展示了有趣性度量与生成解释质量之间的强相关性（0.65），验证了其有效性。研究结果强调了LLM和有趣性数学形式化在增强文化遗产知识图谱中关系探索有效性方面的重要性，其结果可测量且可检验。我们进一步表明，与纯基于知识和基于图的方法相比，该系统能够实现更有效的探索。
引用
@article{arxiv.2501.06628,
title = {Quantifying Relational Exploration in Cultural Heritage Knowledge Graphs with LLMs: A Neuro-Symbolic Approach},
author = {Mohammed Maree},
journal= {arXiv preprint arXiv:2501.06628},
year = {2025}
}