論文の概要: SocraticKG: Knowledge Graph Construction via QA-Driven Fact Extraction

• arxiv url: http://arxiv.org/abs/2601.10003v1
• Date: Thu, 15 Jan 2026 02:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.956683
• Title: SocraticKG: Knowledge Graph Construction via QA-Driven Fact Extraction
• Title（参考訳）: SocraticKG:QA-Driven Fact extractによる知識グラフ構築
• Authors: Sanghyeok Choi, Woosang Jeon, Kyuseok Yang, Taehyeong Kim,
• Abstract要約: 構造化中間表現として質問応答対を導入する自動KG構築法を提案する。 SocraticKGは、直接KG抽出パイプラインで通常失われるコンテキスト依存と暗黙のリレーショナルリンクをキャプチャする。
• 参考スコア（独自算出の注目度）: 4.867319754310031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing Knowledge Graphs (KGs) from unstructured text provides a structured framework for knowledge representation and reasoning, yet current LLM-based approaches struggle with a fundamental trade-off: factual coverage often leads to relational fragmentation, while premature consolidation causes information loss. To address this, we propose SocraticKG, an automated KG construction method that introduces question-answer pairs as a structured intermediate representation to systematically unfold document-level semantics prior to triple extraction. By employing 5W1H-guided QA expansion, SocraticKG captures contextual dependencies and implicit relational links typically lost in direct KG extraction pipelines, providing explicit grounding in the source document that helps mitigate implicit reasoning errors. Evaluation on the MINE benchmark demonstrates that our approach effectively addresses the coverage-connectivity trade-off, achieving superior factual retention while maintaining high structural cohesion even as extracted knowledge volume substantially expands. These results highlight that QA-mediated semantic scaffolding plays a critical role in structuring semantics prior to KG extraction, enabling more coherent and reliable graph construction in subsequent stages.
• Abstract（参考訳）: 構造化されていないテキストから知識グラフ(KG)を構築することは、知識表現と推論のための構造化されたフレームワークを提供するが、現在のLCMベースのアプローチは基本的なトレードオフに苦慮している。 そこで本研究では,三重抽出に先立って文書レベルのセマンティクスを体系的に展開する,構造化中間表現として質問応答ペアを導入する自動KG構築手法であるSocraticKGを提案する。 5W1H-guided QA拡張を利用することで、SocraticKGはコンテキスト依存性と暗黙のリレーショナルリンクを、直接KG抽出パイプラインで一般的に失われ、暗黙の推論エラーを軽減するために、ソースドキュメントに明示的な根拠を提供する。 MINEベンチマークの評価は,抽出された知識量が大きく拡大しても,高い構造的凝集を維持しつつ,良好な事実保持を実現し,カバレッジ・接続性トレードオフに効果的に対処できることを実証する。 これらの結果は、QAを介するセマンティックスキャフォールディングが、KG抽出に先立ってセマンティックスを構築する上で重要な役割を担い、その後の段階においてより一貫性と信頼性の高いグラフ構築を可能にすることを強調している。

関連論文リスト

• Cumulative Path-Level Semantic Reasoning for Inductive Knowledge Graph Completion [9.623163073915741]
  本稿では,帰納的知識グラフ補完(CPSR)フレームワークのための累積パスレベルセマンティック推論を提案する。 CPSRは、KGの構造情報と意味情報の両方を同時にキャプチャして、誘導的KGCタスクを強化する。
  論文  参考訳（メタデータ） (2026-01-09T08:34:05Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
  KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。 KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。 実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-11T09:20:02Z)
• LKD-KGC: Domain-Specific KG Construction via LLM-driven Knowledge Dependency Parsing [9.502380540548497]
  知識グラフ(KG)は現実世界の実体とそれらの関係を3重に構成し、様々なタスクに対する機械推論を強化する。 大規模言語モデル(LLM)に基づく知識グラフ構築への最近のアプローチは、効率的であることが証明されている。 教師なしドメイン固有KG構築のための新しいフレームワークであるLKD-KGCを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:10:23Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• How to Mitigate Information Loss in Knowledge Graphs for GraphRAG: Leveraging Triple Context Restoration and Query-Driven Feedback [12.250007669492753]
  本稿では,Triple Context RestorationとQuery-driven Feedbackフレームワークを提案する。 情報損失を軽減するために、各トリプルの基盤となるテキストコンテキストを再構築する。 Exact Matchの29.1%の改善とF1の15.5%の改善を実現している。
  論文  参考訳（メタデータ） (2025-01-26T03:27:11Z)
• Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
  本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。 我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。 我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
  論文  参考訳（メタデータ） (2024-12-30T13:36:05Z)
• Context Graph [8.02985792541121]
  本稿では,大規模言語モデル(LLM)を活用して候補エンティティや関連するコンテキストを検索する,コンテキストグラフ推論のtextbfCGR$3$パラダイムを提案する。 実験の結果、CGR$3$はKG完了(KGC)およびKG質問応答(KGQA)タスクの性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-06-17T02:59:19Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。