論文の概要: CORE-KG: An LLM-Driven Knowledge Graph Construction Framework for Human Smuggling Networks

• arxiv url: http://arxiv.org/abs/2506.21607v1
• Date: Fri, 20 Jun 2025 11:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.913759
• Title: CORE-KG: An LLM-Driven Knowledge Graph Construction Framework for Human Smuggling Networks
• Title（参考訳）: CORE-KG:人間密輸ネットワークのためのLLM駆動知識グラフ構築フレームワーク
• Authors: Dipak Meher, Carlotta Domeniconi, Guadalupe Correa-Cabrera,
• Abstract要約: CORE-KGは法的テキストから解釈可能な知識グラフを構築するためのモジュラーフレームワークである。 ノード重複を33.28%減らし、法的なノイズを38.37%減らした。
• 参考スコア（独自算出の注目度）: 9.68109098750283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human smuggling networks are increasingly adaptive and difficult to analyze. Legal case documents offer valuable insights but are unstructured, lexically dense, and filled with ambiguous or shifting references-posing challenges for automated knowledge graph (KG) construction. Existing KG methods often rely on static templates and lack coreference resolution, while recent LLM-based approaches frequently produce noisy, fragmented graphs due to hallucinations, and duplicate nodes caused by a lack of guided extraction. We propose CORE-KG, a modular framework for building interpretable KGs from legal texts. It uses a two-step pipeline: (1) type-aware coreference resolution via sequential, structured LLM prompts, and (2) entity and relationship extraction using domain-guided instructions, built on an adapted GraphRAG framework. CORE-KG reduces node duplication by 33.28%, and legal noise by 38.37% compared to a GraphRAG-based baseline-resulting in cleaner and more coherent graph structures. These improvements make CORE-KG a strong foundation for analyzing complex criminal networks.
• Abstract（参考訳）: 人間の密輸ネットワークは適応性が高く、分析が難しい。 法的事例文書は貴重な洞察を提供するが、非構造的であり、語彙的に密集しており、自動知識グラフ(KG)構築のための曖昧またはシフトする参照ポーリング課題で満たされている。 既存のKGメソッドは静的テンプレートに頼り、コア参照の解決に欠けることが多いが、最近のLCMベースのアプローチでは、幻覚によるノイズや断片化グラフ、ガイド付き抽出の欠如による重複ノードをしばしば生成している。 法文から解釈可能なKGを構築するためのモジュールフレームワークであるCORE-KGを提案する。 1) シーケンシャルで構造化されたLCMプロンプトによる型認識コア参照解決、(2) 適応されたGraphRAGフレームワーク上に構築されたドメイン誘導命令を用いたエンティティと関係抽出である。 CORE-KGはノード重複を33.28%減らし、法的なノイズを38.37%減らした。 これらの改良により、CORE-KGは複雑な犯罪ネットワークを解析するための強力な基盤となる。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Can LLMs be Good Graph Judge for Knowledge Graph Construction? [24.752904398871127]
  上記の課題に対処するためのKG構築フレームワークである textbfGraphJudge を提案する。 本フレームワークでは,文書中のノイズ情報を除去するためのエンティティ中心の戦略を設計する。 そして、LLMをグラフ判定器として微調整し、生成したKGの品質を最終的に向上させた。
  論文  参考訳（メタデータ） (2024-11-26T12:46:57Z)
• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models [92.71304585906624]
  大規模言語モデル(LLM)は知識ギャップと幻覚のために忠実な推論に苦しむ。 グラフ制約推論(GCR)は、KGにおける構造的知識とLLMにおける非構造的推論を橋渡しする新しいフレームワークである。 GCRは最先端のパフォーマンスを達成し、追加のトレーニングをすることなく、見えないKGに対して強力なゼロショット一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-16T22:55:17Z)
• GS-KGC: A Generative Subgraph-based Framework for Knowledge Graph Completion with Large Language Models [7.995716933782121]
  我々は textbfGenerative textbfSubgraph-based KGC (GS-KGC) と呼ばれる新しい補完フレームワークを提案する。 このフレームワークは、主に負と隣人を生成するように設計された部分グラフ分割アルゴリズムを含んでいる。 4つの共通のKGCデータセットで実施された実験は、提案されたGS-KGCの利点を強調している。
  論文  参考訳（メタデータ） (2024-08-20T13:13:41Z)
• 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)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)

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。