論文の概要: LLM-Guided Ontology-Driven Knowledge Graph Construction from Unstructured Text

• arxiv url: http://arxiv.org/abs/2609.31663v1
• Date: Tue, 15 Sep 2026 12:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:07:02.626576
• Title: LLM-Guided Ontology-Driven Knowledge Graph Construction from Unstructured Text
• Title（参考訳）: 非構造化テキストを用いたLLMガイドオントロジー駆動知識グラフ構築
• Abstract要約: オントロジー駆動型知識グラフの構築は,文書のドメイン特異性のため,依然として困難である。 本稿では,コンパクトなオープンソースLarge Language Models(LLM)を組み合わせたオントロジー学習パイプラインの適用性について検討する。 このアプローチは、フランスのプライベートコーパスであるパワーグリッドインシデントレポートでテストされ、評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ontology-driven knowledge graph construction from industrial text remains challenging due to the domain specificity of documents, the scarcity of annotated resources, and the complexity of ontology engineering workflows. This paper presents and investigates the applicability of an ontology learning pipeline that combines compact open-source Large Language Models (LLMs), reusable prompting strategies, and open knowledge bases to support the extraction, structuring, enrichment, and evaluation of knowledge from textual corpora. The approach is tested and evaluated on a private French corpus of power-grid incident reports, using locally deployable open-source LLMs ranging from 7B to 32B parameters. Starting from unstructured reports, the approach extracts entities and relations, generates RDF triples, constructs related OWL ontology, enriches it using external knowledge sources, assesses the quality of the ontology, and subsequently constructs a populated knowledge graph grounded in the resulting ontology schema. Experiments on 80 manually annotated private reports show that schema-guided prompting significantly improves extraction quality, while quantized models provide an effective trade-off between performance and computational cost. These results demonstrate the feasibility of transforming domain-specific industrial text into ontology-based knowledge graphs using locally deployed open-source LLMs, while supporting the generalization of the extraction process through reusable prompting strategies.
• Abstract（参考訳）: オントロジー駆動の知識グラフの構築は、文書のドメイン特異性、注釈付きリソースの不足、およびオントロジー工学ワークフローの複雑さにより、依然として困難である。 本稿では,コンパクトなオープンソースLarge Language Models(LLM),再利用可能なプロンプト戦略,オープン知識ベースを組み合わせたオントロジー学習パイプラインの適用性について検討し,テキストコーパスからの知識の抽出,構造化,強化,評価を行う。 このアプローチは、7Bから32Bパラメータまで、ローカルにデプロイ可能なオープンソースLLMを使用して、フランスのプライベートな電力グリッドインシデントレポートでテストされ、評価されている。 非構造化レポートから、この手法はエンティティと関係を抽出し、RDFトリプルを生成し、関連するOWLオントロジーを構築し、外部の知識ソースを使用してそれを豊かにし、オントロジーの品質を評価し、その結果のオントロジースキーマに基づいて集約された知識グラフを構築する。 80個の手動注釈付きプライベートレポートの実験では、スキーマ誘導により抽出品質が大幅に向上する一方、量子化モデルは性能と計算コストの効果的なトレードオフを提供する。 これらの結果は、ドメイン固有の産業用テキストを、ローカルにデプロイされたオープンソースLCMを用いてオントロジーベースの知識グラフに変換することの実現可能性を示し、再利用可能なプロンプト戦略による抽出プロセスの一般化を支援した。

関連論文リスト

• Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management [3.0773704200707233]
  本稿では,ドメインベースで機械可読な知識グラフを構築するためのフレームワークを提案する。 このフレームワークは、専門家によるKE構造が大規模言語モデルをガイドする、足場付き融合戦略を採用している。 提案手法は,探索のための確率論的モデルと,すべての抽出を基底に固定する決定論的アルゴリズムを融合する。
  論文  参考訳（メタデータ） (2026-03-27T05:07:58Z)
• From Prompt to Graph: Comparing LLM-Based Information Extraction Strategies in Domain-Specific Ontology Development [14.475791894420666]
  オントロジはドメイン知識の構築、アクセシビリティの向上、共有、再利用に不可欠です。 従来のオントロジーは手動のアノテーションと従来の自然言語処理(NLP)技術に依存している。 LLM(Large Language Models)の台頭は、知識抽出を自動化する新しい可能性を提供する。 本研究では,LLMによる事前学習法,ICL(In-context Learning)法,ドメイン固有テキストから用語と関係を抽出するファインチューニング法など,LLMに基づく3つのアプローチについて検討した。
  論文  参考訳（メタデータ） (2026-01-31T12:50:23Z)
• Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance [0.0]
  本研究では,異なる知識グラフ(KG)構築戦略がRAG性能に与える影響について検討する。 オントロジー誘導KGのチャンク情報は、最先端のフレームワークと競合するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-11-08T12:38:45Z)
• LightKGG: Simple and Efficient Knowledge Graph Generation from Textual Data [0.0]
  LightKGGは、小規模言語モデルを用いてテキストデータから効率的なKG抽出を可能にする新しいフレームワークである。 コンテキスト統合グラフ抽出は、コンテキスト情報をノードやエッジと統合したグラフ構造に統合する。 トポロジー強化関係推論は、抽出されたグラフの固有のトポロジーを利用して、効率的に関係を推測する。
  論文  参考訳（メタデータ） (2025-10-27T13:55:13Z)
• Automated Extraction and Creation of FBS Design Reasoning Knowledge Graphs from Structured Data in Product Catalogues Lacking Contextual Information [0.10840985826142427]
  オントロジーに基づく知識グラフ(KG)は,様々な意思決定シナリオにおいて,効果的な知識管理と再利用が望ましい。 KGの自動抽出と生成に関するほとんどの研究は、広範囲な非構造化データセットに基づいている。 本研究は,このギャップに対処するために開発された手法とデジタルワークフローについて報告する。
  論文  参考訳（メタデータ） (2024-12-08T09:20:25Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)

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。