論文の概要: Schema Generation for Large Knowledge Graphs Using Large Language Models

• arxiv url: http://arxiv.org/abs/2506.04512v1
• Date: Wed, 04 Jun 2025 23:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.455521
• Title: Schema Generation for Large Knowledge Graphs Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた大規模知識グラフのためのスキーマ生成
• Authors: Bohui Zhang, Yuan He, Lydia Pintscher, Albert Meroño Peñuela, Elena Simperl,
• Abstract要約: 大規模言語モデル(LLM)を用いた自動スキーマ生成について検討する。 本ベンチマークでは,LLMの制約を構文的にリッチな定式化に推し進める構造生成の新たな課題について紹介する。
• 参考スコア（独自算出の注目度）: 5.764388991407566
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Schemas are vital for ensuring data quality in the Semantic Web and natural language processing. Traditionally, their creation demands substantial involvement from knowledge engineers and domain experts. Leveraging the impressive capabilities of large language models (LLMs) in related tasks like ontology engineering, we explore automatic schema generation using LLMs. To bridge the resource gap, we introduce two datasets: YAGO Schema and Wikidata EntitySchema, along with evaluation metrics. The LLM-based pipelines effectively utilize local and global information from knowledge graphs (KGs) to generate validating schemas in Shape Expressions (ShEx). Experiments demonstrate LLMs' strong potential in producing high-quality ShEx schemas, paving the way for scalable, automated schema generation for large KGs. Furthermore, our benchmark introduces a new challenge for structured generation, pushing the limits of LLMs on syntactically rich formalisms.
• Abstract（参考訳）: スキーマはセマンティックウェブと自然言語処理におけるデータ品質を保証するために不可欠である。 伝統的に、彼らの創造は知識エンジニアとドメインエキスパートにかなりの関与を要求する。 オントロジー工学などの関連タスクにおいて,大規模言語モデル(LLM)の印象的な機能を活用することで,LLMを用いた自動スキーマ生成について検討する。 リソースギャップを埋めるために、評価指標とともに、YAGO SchemaとWikidata EntitySchemaの2つのデータセットを紹介します。 LLMベースのパイプラインは、知識グラフ(KG)からのローカルおよびグローバル情報を利用して、形状表現(ShEx)の検証スキーマを生成する。 実験では、LLMが高品質なShExスキーマを作成する可能性を示し、大規模KGのためのスケーラブルで自動化されたスキーマ生成の道を開いた。 さらに,本ベンチマークでは,LLMの制約を構文的にリッチな定式化に推し進める構造生成の新たな課題について紹介する。

関連論文リスト

• LLMs4SchemaDiscovery: A Human-in-the-Loop Workflow for Scientific Schema Mining with Large Language Models [0.22470290096767]
  従来のスキーママイニングは半構造化データに依存しており、スケーラビリティを制限している。 本稿では,大規模な言語モデルと人間のフィードバックを組み合わせてスキーマ抽出を自動化・洗練する新しいツールであるスキーママイナーを紹介する。
  論文  参考訳（メタデータ） (2025-04-01T13:03:33Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• Exploring the Potential of Large Language Models in Graph Generation [51.046188600990014]
  グラフ生成は、与えられたプロパティを持つグラフを生成するために、大きな言語モデル(LLM)を必要とする。 本稿では,LLMのグラフ生成能力について,系統的なタスク設計と実験による検討を行う。 評価の結果,LLM,特にGPT-4は,グラフ生成タスクに予備的能力を示すことがわかった。
  論文  参考訳（メタデータ） (2024-03-21T12:37:54Z)
• Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs [59.74814230246034]
  大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。 LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
  論文  参考訳（メタデータ） (2023-07-07T05:31:31Z)

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。