Wikontic: 构建与 Wikidata 对齐、感知本体的知识图谱
计算与语言
2026-01-30 v2 人工智能
机器学习
摘要
知识图谱 (KG) 为大语言模型 (LLM) 提供结构化、可验证的 grounding，但当前的 LLM-based 系统通常将 KG 用作文本检索的辅助结构，导致其内在质量备受怀疑。本工作提出 Wikontic，一个多阶段管道，通过从开放领域文本中提取带有 qualifier 的候选三元组、强制执行基于 Wikidata 的类型和关系约束、以及规范化实体以减少重复来构建 KG。生成的 KG 紧凑、本体一致且连接良好；在 MuSiQue 上，正确答案实体出现在 96% 生成的三元组中。在 HotpotQA 上，本文的仅使用三元组设置实现了 76.0 F1，在 MuSiQue 上实现 59.8 F1，匹配或超越了几种仍需文本上下文的检索增强生成基准。此外，Wikontic 在 MINE-1 数据集上实现了 86% 的信息保留性能，超越了先前的 KG 构建方法。Wikontic 也非常高效：KG 构建使用不到 1,000 个输出 token，约是 AriGraph 的 3 倍，约为 GraphRAG 的 1/20。该管道增强了生成 KG 的质量，为利用结构化知识在 LLM 中提供了可扩展的解决方案。
引用
@article{arxiv.2512.00590,
title = {Wikontic: Constructing Wikidata-Aligned, Ontology-Aware Knowledge Graphs with Large Language Models},
author = {Alla Chepurova and Aydar Bulatov and Mikhail Burtsev and Yuri Kuratov},
journal= {arXiv preprint arXiv:2512.00590},
year = {2026}
}