Построение графов знаний: извлечение, обучение и оценка

Граф знаний (KG), структурно представляющий сущности (узлы) и отношения (рёбра), предоставляет мощный и гибкий подход к представлению знаний в области искусственного интеллекта (AI). Графы знаний всё шире применяются в различных областях, таких как обработка естественного языка (NLP), рекомендательные системы, поиск знаний и медицинская диагностика, что стимулирует непрерывные исследования эффективных методов их построения и сопровождения. В последнее время внимание привлекают попытки объединить большие языковые модели (LLM), особенно модели, предназначенные для уменьшения галлюцинаций, с графами знаний. В результате на каждом этапе разработки графов знаний появились новые подходы, включая извлечение, парадигмы обучения и методологии оценки. В данной статье мы рассматриваем основные публикации, вышедшие после 2022 года, чтобы систематически исследовать процесс построения графов знаний по трём ключевым направлениям: извлечение, парадигмы обучения и методологии оценки. В частности, мы исследуем (1) крупномасштабную предварительную обработку данных и мультимодальные методы извлечения в области извлечения из графов знаний, (2) совершенствование традиционных методов получения эмбеддингов и применение передовых методов, таких как графовые нейронные сети, трансформеры и большие языковые модели, в области обучения на графах знаний, а также (3) внутренние и внешние метрики в области оценки графов знаний и различные подходы к обеспечению интерпретируемости и надёжности.