論文の概要: Construction of Knowledge Graph based on Language Model

• arxiv url: http://arxiv.org/abs/2604.19137v1
• Date: Tue, 21 Apr 2026 06:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.653073
• Title: Construction of Knowledge Graph based on Language Model
• Title（参考訳）: 言語モデルに基づく知識グラフの構築
• Authors: Qiubai Zhu, Qingwang Wang, Haibin Yuan, Wei Chen, Tao Shen,
• Abstract要約: 知識グラフ(KG)は、大量のデータから有用な情報を効果的に統合することができる。 従来のKGの構築方法は手動のアノテーションに依存しており、しばしば多くの時間と人的力を消費する。 プレトレーニング言語モデル (PLM) の急速な発展に伴い, PLM は KG 構築の分野で大きな可能性を示している。
• 参考スコア（独自算出の注目度）: 9.991709321376296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph (KG) can effectively integrate valuable information from massive data, and thus has been rapidly developed and widely used in many fields. Traditional KG construction methods rely on manual annotation, which often consumes a lot of time and manpower. And KG construction schemes based on deep learning tend to have weak generalization capabilities. With the rapid development of Pre-trained Language Models (PLM), PLM has shown great potential in the field of KG construction. This paper provides a comprehensive review of recent research advances in the field of construction of KGs using PLM. In this paper, we explain how PLM can utilize its language understanding and generation capabilities to automatically extract key information for KGs, such as entities and relations, from textual data. In addition, We also propose a new Hyper-Relarional Knowledge Graph construction framework based on lightweight Large Language Model (LLM) named LLHKG and compares it with previous methods. Under our framework, the KG construction capability of lightweight LLM is comparable to GPT3.5.
• Abstract（参考訳）: 知識グラフ(KG)は、大量のデータから有用な情報を効果的に統合することができ、多くの分野で急速に開発され、広く利用されている。 従来のKGの構築方法は手動のアノテーションに依存しており、しばしば多くの時間と人的力を消費する。 そして、ディープラーニングに基づくKG構築スキームは、弱い一般化能力を持つ傾向にある。 プレトレーニング言語モデル (PLM) の急速な発展に伴い, PLM は KG 構築の分野で大きな可能性を示している。 本稿では, PLM を用いたKGs の構築分野における最近の研究動向を概観する。 本稿では,PLMが言語理解と生成機能を利用して,テキストデータからエンティティやリレーションなどのKGのキー情報を自動抽出する方法を説明する。 さらに,LLHKGという軽量大言語モデル(LLM)に基づくハイパーレラショナル知識グラフ構築フレームワークを提案し,従来の手法と比較した。 本フレームワークでは,軽量LCMのKG構築能力はGPT3.5に匹敵する。

関連論文リスト

• Beyond Textual Context: Structural Graph Encoding with Adaptive Space Alignment to alleviate the hallucination of LLMs [15.260879306368674]
  SSKG-LLMは、KGの構造情報を大規模言語モデルの推論プロセスに効率的に統合する革新的なモデルアーキテクチャである。 我々は、広範囲にわたる実験を行い、かつ、KGの構造情報を組み込むことによって、LLMの事実推論能力を高める方法について、詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-09-26T12:14:01Z)
• GLTW: Joint Improved Graph Transformer and LLM via Three-Word Language for Knowledge Graph Completion [52.026016846945424]
  我々は、KGの構造情報をエンコードし、それを大規模言語モデルにマージするGLTWと呼ばれる新しい手法を提案する。 具体的には、局所構造情報とグローバル構造情報の両方を効果的に符号化する改良されたグラフ変換器(iGT)を導入する。 また,KG内のすべてのエンティティを分類対象として用いたサブグラフに基づく多分類学習目標を開発し,学習効率を向上する。
  論文  参考訳（メタデータ） (2025-02-17T06:02:59Z)
• Boosting Knowledge Graph-based Recommendations through Confidence-Aware Augmentation with Large Language Models [19.28217321004791]
  大きな言語モデル(LLM)は、レコメンデーションタスクのための知識グラフの品質と関連性を改善するための有望な方法を提供する。 本稿では,KG と LLM を組み合わせた新しいフレームワークである LLM Augmentation (CKG-LLMA) を用いた Confidence-aware KG-based Recommendation Framework を提案する。 本フレームワークは,(1)高品質な情報でKGをリッチ化するためのLLMベースのサブグラフ拡張器,(2)ノイズの多い三重項をフィルタリングする信頼性に配慮したメッセージ伝搬機構,(3)ユーザ-テムインタラクションとKGデータを統合するための2視点コントラスト学習手法を含む。
  論文  参考訳（メタデータ） (2025-02-06T02:06:48Z)
• Knowledge Graph Large Language Model (KG-LLM) for Link Prediction [43.55117421485917]
  本稿では,知識グラフタスクに大規模言語モデル(LLM)を活用する新しいフレームワークである知識グラフ大言語モデル(KG-LLM)を紹介する。 まず、構造化知識グラフデータを自然言語に変換し、次にこれらの自然言語プロンプトを微調整 LLM に変換する。 KG-LLMフレームワークの有効性を示すため,Flan-T5,LLaMa2,Gemmaの3つのLLMを微調整した。
  論文  参考訳（メタデータ） (2024-03-12T04:47:29Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Language Models are Open Knowledge Graphs [75.48081086368606]
  近年の深層言語モデルは,事前学習を通じて大規模コーパスから知識を自動取得する。 本稿では,言語モデルに含まれる知識をKGにキャストするための教師なし手法を提案する。 KGは、コーパス上の(微調整なしで)事前訓練された言語モデルの1つの前方パスで構築されていることを示す。
  論文  参考訳（メタデータ） (2020-10-22T18:01:56Z)

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。