論文の概要: OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing
- arxiv url: http://arxiv.org/abs/2604.02618v1
- Date: Fri, 03 Apr 2026 01:17:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.26606
- Title: OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing
- Title（参考訳）: OntoKG:本質的関係性ルーティングを用いたオントロジー指向の知識グラフ構築
- Abstract要約: 本稿では,大規模知識グラフを型付きプロパティグラフに編成するオントロジー指向のアプローチを提案する。
中心となるメカニズムは内在的リレーショナルルーティングであり、すべての特性を内在的またはリレーショナルに分類する。
このルーティングは宣言型スキーマを生成し、ストレージバックエンド間で可搬可能で、独立して再利用可能なものだ。
- 参考スコア（独自算出の注目度）: 0.3642823642133188
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organizing a large-scale knowledge graph into a typed property graph requires structural decisions -- which entities become nodes, which properties become edges, and what schema governs these choices. Existing approaches embed these decisions in pipeline code or extract relations ad hoc, producing schemas that are tightly coupled to their construction process and difficult to reuse for downstream ontology-level tasks. We present an ontology-oriented approach in which the schema is designed from the outset for ontology analysis, entity disambiguation, domain customization, and LLM-guided extraction -- not merely as a byproduct of graph building. The core mechanism is intrinsic-relational routing, which classifies every property as either intrinsic or relational and routes it to the corresponding schema module. This routing produces a declarative schema that is portable across storage backends and independently reusable. We instantiate the approach on the January 2026 Wikidata dump. A rule-based cleaning stage identifies a 34.6M-entity core set from the full dump, followed by iterative intrinsic-relational routing that assigns each property to one of 94 modules organized into 8 categories. With tool-augmented LLM support and human review, the schema reaches 93.3% category coverage and 98.0% module assignment among classified entities. Exporting this schema yields a property graph with 34.0M nodes and 61.2M edges across 38 relationship types. We validate the ontology-oriented claim through five applications that consume the schema independently of the construction pipeline: ontology structure analysis, benchmark annotation auditing, entity disambiguation, domain customization, and LLM-guided extraction.
- Abstract（参考訳）: 大規模な知識グラフを型付きプロパティグラフに編成するには、構造的な決定 -- エンティティがノードになり、プロパティがエッジになり、スキーマがこれらの選択を管理するか - が必要となる。
既存のアプローチでは、これらの決定をパイプラインコードに埋め込むか、あるいは関係をアドホックに抽出する。
本稿では, オントロジー解析, エンティティの曖昧さ, ドメインのカスタマイズ, LLM誘導抽出のアウトセットからスキーマを設計するオントロジー指向の手法を提案する。
コアメカニズムは内在的リレーショナルルーティングであり、すべてのプロパティを内在的またはリレーショナルに分類し、対応するスキーマモジュールにルーティングする。
このルーティングは宣言型スキーマを生成し、ストレージバックエンド間で可搬可能で、独立して再利用可能なものだ。
アプローチを2026年1月のWikidataダンプでインスタンス化します。
ルールベースのクリーニングステージは、フルダンプからセットされた34.6M-entityコアを特定し、続いて、各プロパティを8つのカテゴリに編成された94のモジュールのうちの1つに割り当てる反復的な内在的関連ルーティングを行う。
ツール拡張LDMのサポートと人間によるレビューにより、スキーマは93.3%のカテゴリカバレッジと98.0%のモジュール割り当てに到達した。
このスキーマをエクスポートすると、34.0Mノードと38のリレーショナルタイプにわたる61.2Mエッジを持つプロパティグラフが得られる。
オントロジー構造解析,ベンチマークアノテーション監査,エンティティの曖昧さ,ドメインのカスタマイズ,LLM誘導抽出の5つのアプリケーションを通じて,オントロジー指向のクレームを検証する。
関連論文リスト
- Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。
中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。
この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
論文 参考訳（メタデータ） (2026-08-17T04:37:59Z) - CRAFT: Learn the Schema, Execute the Plan [1.4711904351495848]
CRAFTは、スキーマ基底符号化エージェントのための2段階の訓練後レシピである。
まず、スキーマストラップ付きPLAN教師付き微調整により、検証された軌道からドメイン構造化計画と実行可能な振る舞いを学習する。
第二に、実行形式の強化学習は、ツールの選択、コード品質、計画コードの一貫性、失敗した実行からのリカバリのポリシーを整合させる。
論文 参考訳（メタデータ） (2026-06-24T00:12:03Z) - Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval [19.3757623473603]
実世界のデータは、暗黙のセマンティクスを持つテーブル、ドキュメント、半構造化ファイルにまたがる。
生のマルチソースデータから実行可能なスキーマを自動的に検出するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-03T20:28:36Z) - Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす
本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-12T06:24:07Z) - Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。
本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。
GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-03-07T12:39:21Z) - LLM-Driven Ontology Construction for Enterprise Knowledge Graphs [0.0]
本稿では,企業データからのドメイン固有非構造生成を高速化するパイプラインであるOntoEKGを紹介する。
提案手法では,モデルタスクを,コアクラスとプロパティを識別する抽出モジュールと,それらの要素を論理的に階層化し,それらを標準RDFにシリアライズするエンテーメントモジュールという,2つの異なるフェーズに分解する。
エンドツーエンドの構築のための包括的なベンチマークの欠如に対処するため、私たちは、データ、ファイナンス、ロジスティックスの各分野にわたる文書から派生した、新たな評価データセットを採用しました。
論文 参考訳（メタデータ） (2026-02-01T15:13:30Z) - Follow the Flow: Fine-grained Flowchart Attribution with Neurosymbolic Agents [106.04963073116468]
フローチャートは意思決定プロセスを視覚化するための重要なツールです。
視覚言語モデルは、これらの図を分析する際に、存在しない接続や決定経路を幻覚させる。
LLM応答を参照してフローチャートを接地する特定の成分をトレースするフローチャートについて紹介する。
本稿では, グラフベースの推論により微細なホック帰属を行うニューロシンボリック・エージェントであるFlowPathAgentを提案する。
論文 参考訳（メタデータ） (2025-06-02T06:02:41Z) - AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora [51.77079220622184]
完全自律的な知識グラフ構築のためのフレームワークであるAutoKGを提案する。
大規模言語モデルを利用して知識トリプルを同時に抽出し,テキストから直接包括的なスキーマを誘導する。
我々は,9億以上のノードと590億のエッジを持つ知識グラフ群であるATLAS(Automated Triple Linking And induction)を構築した。
論文 参考訳（メタデータ） (2025-05-29T16:34:58Z) - Schema-adaptable Knowledge Graph Construction [47.772335354080795]
従来の知識グラフ構築(KGC)アプローチは、通常、事前定義されたスキーマの閉じたセットで静的情報抽出パラダイムに従う。
我々は,スキーマ適応型KGCと呼ばれる新しいタスクを提案する。このタスクは,動的に変化するスキーマグラフに基づいて,再学習せずにエンティティ,リレーション,イベントを継続的に抽出することを目的としている。
論文 参考訳（メタデータ） (2023-05-15T15:06:20Z) - Neural Production Systems [90.75211413357577]
視覚環境は、異なるオブジェクトまたはエンティティから構成される。
イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。
私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。
このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
論文 参考訳（メタデータ） (2021-03-02T18:53:20Z) - Bipartite Flat-Graph Network for Nested Named Entity Recognition [94.91507634620133]
ネスト型名前付きエンティティ認識(NER)のためのバイパートフラットグラフネットワーク(BiFlaG)
ネストされた名前付きエンティティ認識(NER)のためのバイパーティライトフラットグラフネットワーク(BiFlaG)を提案する。
論文 参考訳（メタデータ） (2020-05-01T15:14:22Z)
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。