論文の概要: GPTKB 2.0: Direct Construction of Disambiguated Knowledge Bases from Large Language Models

• arxiv url: http://arxiv.org/abs/2608.03729v2
• Date: Wed, 05 Aug 2026 14:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.294747
• Title: GPTKB 2.0: Direct Construction of Disambiguated Knowledge Bases from Large Language Models
• Title（参考訳）: GPTKB 2.0:大規模言語モデルによる曖昧な知識ベースの構築
• Authors: Yujia Hu, Tuan-Phong Nguyen, Simon Razniewski,
• Abstract要約: GPTKB 2.0は、大きな言語モデルから直接曖昧なKBを構築するための方法論である。 我々は、GPTKB 2.0を大規模に実行し、1M以上の曖昧なエンティティと38.4Mのトリプルを含む物質化KBを得る。
• 参考スコア（独自算出の注目度）: 11.119171720690238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Knowledge Base Construction (AKBC) is a core NLP task, and recent work proposes generating knowledge bases directly from large language models (LLMs), treating the model itself as the knowledge source. However, LLMs natively possess no representation of entities, leading to duplicate entries as well as conflations. We propose GPTKB 2.0, a methodology for constructing disambiguated KBs directly from LLMs. GPTKB 2.0 incorporates on-the-fly disambiguation of entities, relations and classes, and is meticulously designed to satisfy both scalability and disambiguation accuracy. We analyze the central design decisions and characterize the trade-offs between accuracy, scale, and cost. We execute GPTKB 2.0 at scale, obtaining a materialized KB containing over 1M disambiguated entities and 38.4M triples. This represents the first million-scale LLM-native KB with explicit internal canonicalization of entities, relations, and classes, a significant departure from prior Wikimedia-centric works. GPTKB 2.0 is available at https://gptkb.org/.
• Abstract（参考訳）: 自動知識ベース構築(AKBC)は中核的なNLPタスクであり、最近の研究は、大規模言語モデル(LLM)から直接知識ベースを生成し、モデル自体を知識源として扱うことを提案する。 しかし、LSMは本質的に実体の表現を持たないため、重複したエントリや融合をもたらす。 LLM から直接不明瞭な KB を構築する手法である GPTKB 2.0 を提案する。 GPTKB 2.0は、エンティティ、リレーション、クラスのオンザフライでの曖昧さを取り入れており、スケーラビリティと曖昧さの両立を念頭に設計されている。 中心となる設計決定を分析し、正確性、スケール、コストのトレードオフを特徴付ける。 我々は、GPTKB 2.0を大規模に実行し、1M以上の曖昧なエンティティと38.4Mのトリプルを含む物質化KBを得る。 これは、エンティティ、リレーション、クラスを明示した内部標準化を備えた最初の100万スケールのLLMネイティブKBであり、以前のウィキメディア中心の作品から大きく離れている。 GPTKB 2.0はhttps://gptkb.org/.comで入手できる。

関連論文リスト

• Enabling LLM Knowledge Analysis via Extensive Materialization [15.276041443299905]
  GPTKBは、GPT-4o-miniという290万以上のエンティティに対して101万トリプルの知識ベースである。 我々は、GPTKBを用いて、GPT-4o-miniの事実知識を、スケール、精度、バイアス、一貫性の観点から内部的に分析する。
  論文  参考訳（メタデータ） (2024-11-07T17:57:03Z)
• KBLaM: Knowledge Base augmented Language Model [8.247901935078357]
  本稿では,Large Language Model (LLM) を外部知識で拡張するための知識ベース拡張言語モデル (KBLaM) を提案する。 KBLaMは文書のコーパスから構築された知識ベース(KB)で動作し、KB内の各知識を連続鍵値ベクトル対に変換する。 提案手法では,A10080GBの1つのGPU上で,8Kコンテキストウィンドウのみの8B事前学習LLMに,10Kトリプル以上の大容量KBを組み込むことが可能である。
  論文  参考訳（メタデータ） (2024-10-14T12:45:10Z)
• How Reliable are LLMs as Knowledge Bases? Re-thinking Facutality and Consistency [60.25969380388974]
  大規模言語モデル (LLM) は知識ベース (KB) として研究されている。 現在の評価手法は、信頼性の高い性能の他の決定的な基準を見越して、知識の保持に過度に焦点を絞っている。 我々は,事実と一貫性を定量化するための新しい基準と指標を提案し,最終的な信頼性スコアを導いた。
  論文  参考訳（メタデータ） (2024-07-18T15:20:18Z)
• KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning over Knowledge Graph [134.8631016845467]
  我々は、KG-Agentと呼ばれる自律LLMベースのエージェントフレームワークを提案する。 KG-Agentでは、LLM、多機能ツールボックス、KGベースのエグゼキュータ、知識メモリを統合する。 有効性を保証するため、プログラム言語を利用してKG上のマルチホップ推論プロセスを定式化する。
  論文  参考訳（メタデータ） (2024-02-17T02:07:49Z)
• LLM2KB: Constructing Knowledge Bases using instruction tuned context aware Large Language Models [0.8702432681310401]
  本稿では,大規模言語モデルを用いた知識ベース構築システム LLM2KB を提案する。 ISWC 2023で開かれたLM-KBCチャレンジでは,21関係の平均F1スコアが0.6185に達した。
  論文  参考訳（メタデータ） (2023-08-25T07:04:16Z)
• KoLA: Carefully Benchmarking World Knowledge of Large Language Models [87.96683299084788]
  我々は知識指向LLMアセスメントベンチマーク(KoLA)を構築した。 人間の認知を模倣して、知識関連能力の4段階の分類を形成し、19ドルのタスクをカバーします。 私たちは、LLMによって事前訓練されたコーパスであるウィキペディアと、継続的に収集された新興コーパスを使用して、目に見えないデータや進化する知識を扱う能力を評価します。
  論文  参考訳（メタデータ） (2023-06-15T17:20:46Z)
• Reasoning Over Virtual Knowledge Bases With Open Predicate Relations [85.19305347984515]
  Open Predicate Query Language (OPQL) を紹介します。 OPQLは、テキストから完全にトレーニングされた仮想知識ベース(VKB)を構築する方法である。 OPQLは2つの異なるKB推論タスクにおいて、以前のVKBメソッドよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-14T01:29:54Z)

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。