SKG-LLM：利用大语言模型开发用于构建卒中知识图谱的数学模型
人工智能
2025-03-11 v1 计算与语言
摘要
本研究旨在介绍 SKG-LLM。利用数学模型和大语言模型 (LLMs) 从卒中相关文章中构建知识图谱 (KG)。SKG-LLM 从生物医学文献中提取并组织复杂关系，用以提高卒中研究中 KG 的准确性和深度。在所提出的方法中，使用 GPT-4 进行数据预处理，并且在整个 KG 构建过程中的嵌入提取也由 GPT-4 完成。所提出模型的性能通过两个评估标准进行测试：Precision 和 Recall。为了进一步验证所提出的模型，使用了 GPT-4。与 Wikidata 和 WN18RR 相比，所提出的 KG-LLM 方法表现更好，尤其是在 Precision 和 Recall 方面。通过在预处理过程中引入 GPT-4，SKG-LLM 模型的 Precision 得分为 0.906，Recall 得分为 0.923。专家评审进一步改善了结果，将 Precision 提高至 0.923，Recall 提高至 0.918。由 SKG-LLM 构建的知识图谱包含 2692 个节点和 5012 条边，具有 13 种不同类型的节点和 24 种类型的边。
引用
@article{arxiv.2503.06475,
title = {SKG-LLM: Developing a Mathematical Model for Stroke Knowledge Graph Construction Using Large Language Models},
author = {Ali Sarabadani and Kheirolah Rahsepar Fard and Hamid Dalvand},
journal= {arXiv preprint arXiv:2503.06475},
year = {2025}
}