Graphusion: фреймворк RAG для построения научных графов знаний с глобальной перспективой
Graphusion: A RAG Framework for Scientific Knowledge Graph Construction with a Global Perspective
2025-05-08
SCID: 54.1/2g58hquk
Discuss with AI
Graphusionбенчмарк TutorQAглобальное слияние знанийпостроение графов знанийгенерация с дополнением поиска
Figures from the paper
Abstract (AI)
Графы знаний (KG) играют ключевую роль в искусственном интеллекте и широко применяются в последующих задачах, таких как ответы на вопросы (QA). Построение KG обычно требует значительных усилий со стороны экспертов предметной области. В последнее время для построения графов знаний (KGC) начали использоваться большие языковые модели (LLM). Однако большинство существующих подходов ориентировано на локальную перспективу: из отдельных предложений или документов извлекаются триплеты знаний, но отсутствует процесс слияния, позволяющий объединять знания в глобальном KG. В данной работе представлен Graphusion — безэталонный фреймворк KGC для неструктурированного текста. Он включает три этапа: на первом этапе с помощью тематического моделирования извлекается список исходных сущностей, который направляет построение итогового KG на включение наиболее релевантных сущностей; на втором этапе с использованием LLM извлекаются кандидатные триплеты; на третьем этапе разработан новый модуль слияния, обеспечивающий глобальное представление извлечённых знаний за счёт объединения сущностей, разрешения конфликтов и обнаружения новых триплетов. Результаты показывают, что Graphusion получает оценки 2,92 и 2,37 из 3 за извлечение сущностей и распознавание отношений соответственно. Кроме того, продемонстрировано применение Graphusion в области обработки естественного языка (NLP) и проведена его валидация в образовательном сценарии. В частности, представлен TutorQA — новый экспертно верифицированный бенчмарк для ответов на вопросы, включающий шесть задач и в общей сложности 1 200 пар «вопрос–ответ». Использование KG, построенного с помощью Graphusion, обеспечивает значимое улучшение результатов на этом бенчмарке, включая повышение точности на 9,2% в задаче дополнения подграфов.
Key Findings
1
Граф знаний, построенный с помощью Graphusion, повышает результаты на бенчмарке, включая улучшение точности на 9,2% в задаче дополнения подграфов.
2
Graphusion достигает оценок 2,92 из 3 для извлечения сущностей и 2,37 из 3 для распознавания отношений.
3
Graphusion — это безнулевой фреймворк для построения графов знаний из свободного текста, включающий извлечение начальных сущностей, выделение триплетов с помощью LLM и глобальное слияние знаний.
4
Модуль слияния обеспечивает глобальную перспективу за счёт объединения сущностей, разрешения конфликтов и обнаружения новых триплетов в извлечённых знаниях.
5
Авторы представляют TutorQA — экспертно проверенный образовательный бенчмарк для ответов на вопросы, включающий шесть задач и 1 200 пар вопросов и ответов.
Research Object
научные графы знаний, построенные из свободного текста с помощью Graphusion
Research Subject
глобальное слияние знаний при построении графов знаний, включая отбор начальных сущностей, объединение сущностей, разрешение конфликтов и обнаружение новых триплетов
Publication Details
Publication Date
2025-05-08
Journal
Publisher
ISSN
Cited by
25
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest