論文の概要: LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT
- arxiv url: http://arxiv.org/abs/2307.06917v1
- Date: Thu, 13 Jul 2023 17:31:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-14 13:48:58.530233
- Title: LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT
- Title（参考訳）: LLM支援知識グラフ工学:ChatGPTを用いた実験
- Authors: Lars-Peter Meyer, Claus Stadler, Johannes Frey, Norman Radtke, Kurt
Junghanns, Roy Meissner, Gordian Dziwis, Kirill Bulert, Michael Martin
- Abstract要約: ChatGPTは知識グラフの開発と管理を支援する。
知識グラフエンジニアリング(KGE)は、グラフ構造、Web技術、既存のモデルと語彙、ルールセット、ロジック、ベストプラクティスの詳細な経験を必要とする。
- 参考スコア（独自算出の注目度）: 0.2107969466194361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graphs (KG) provide us with a structured, flexible, transparent,
cross-system, and collaborative way of organizing our knowledge and data across
various domains in society and industrial as well as scientific disciplines.
KGs surpass any other form of representation in terms of effectiveness.
However, Knowledge Graph Engineering (KGE) requires in-depth experiences of
graph structures, web technologies, existing models and vocabularies, rule
sets, logic, as well as best practices. It also demands a significant amount of
work. Considering the advancements in large language models (LLMs) and their
interfaces and applications in recent years, we have conducted comprehensive
experiments with ChatGPT to explore its potential in supporting KGE. In this
paper, we present a selection of these experiments and their results to
demonstrate how ChatGPT can assist us in the development and management of KGs.
- Abstract（参考訳）: 知識グラフ(KG)は、社会や産業、科学の分野において、知識とデータをまとめる構造化され、柔軟で、透明で、クロスシステムで、協調的な方法を提供します。
KG は他の表現形式を有効性の観点から超越する。
しかしながら、知識グラフエンジニアリング(KGE)は、グラフ構造、Web技術、既存のモデルと語彙、ルールセット、ロジック、ベストプラクティスの詳細な経験を必要とする。
かなりの量の作業も要求される。
近年の大規模言語モデル(LLM)とそのインターフェースや応用の進歩を考えると,我々はChatGPTを用いてKGEをサポートする可能性を探るため,その総合的な実験を行った。
本稿では,これらの実験の選定と,その成果について紹介し,チャットgptがkgsの開発と管理にどのように役立つかを示す。
関連論文リスト
- Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey [61.8716670402084]
本調査は,KG-driven Multi-Modal Learning(KG4MM)とMulti-Modal Knowledge Graph(MM4KG)の2つの主要な側面におけるKG認識研究に焦点を当てる。
KG対応マルチモーダル学習タスクと本質的MMKGタスクの2つの主要なタスクカテゴリについて検討した。
これらのタスクの多くに対して、定義、評価ベンチマークを提供し、関連する研究を行うための重要な洞察を概説する。
論文 参考訳（メタデータ） (2024-02-08T04:04:36Z) - KG-GPT: A General Framework for Reasoning on Knowledge Graphs Using
Large Language Models [18.20425100517317]
本稿では,知識グラフを用いたタスクに対して,大規模言語モデルを活用するフレームワークであるKG-GPTを提案する。
KG-GPTは文の分割、関連するグラフコンポーネントの検索、論理的結論の導出という3つのステップから構成される。
KGベースの事実検証とKGQAベンチマークを用いてKG-GPTを評価する。
論文 参考訳（メタデータ） (2023-10-17T12:51:35Z) - Generations of Knowledge Graphs: The Crazy Ideas and the Business Impact [19.774378927811725]
本稿では、エンティティベースのKG、テキストリッチなKG、デュアルニューラルなKGの3世代にわたる知識グラフについて述べる。
私たちはKGを例として、イノベーションからプロダクションプラクティスへ、そして次のレベルのイノベーションへと研究のアイデアを進化させるレシピを実証しています。
論文 参考訳（メタデータ） (2023-08-27T22:35:27Z) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳（メタデータ） (2023-07-10T11:29:41Z) - SKG: A Versatile Information Retrieval and Analysis Framework for
Academic Papers with Semantic Knowledge Graphs [9.668240269886413]
本稿では,抽象概念やメタ情報から意味概念を統合してコーパスを表現するセマンティック知識グラフを提案する。
SKGは、高い多様性と豊富な情報コンテンツが格納されているため、学術文献における様々なセマンティッククエリをサポートすることができる。
論文 参考訳（メタデータ） (2023-06-07T20:16:08Z) - Knowledge Graphs in Practice: Characterizing their Users, Challenges, and Visualization Opportunities [5.091409162938817]
本研究は,19人の知識グラフ(KG)実践者へのインタビューから得られた知見を提示する。
我々は、KGの作成、探索、分析において、KG実践者が経験した重要な課題を特定する。
論文 参考訳（メタデータ） (2023-04-03T19:28:43Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。
我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
論文 参考訳（メタデータ） (2022-10-17T18:02:52Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - KGTK: A Toolkit for Large Knowledge Graph Manipulation and Analysis [9.141014703209494]
KGTKは、KGを表現、生成、変換、拡張、分析するために設計されたデータサイエンス中心のツールキットである。
我々はKGTKを使ってWikidataやDBpedia、ConceptNetといった大規模なKGを統合・操作する現実世界のシナリオでこのフレームワークを説明します。
論文 参考訳（メタデータ） (2020-05-29T21:29:14Z) - KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization
and Completion [99.47414073164656]
包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。
2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。
我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
論文 参考訳（メタデータ） (2020-04-28T16:21:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。