論文の概要: Knowledge Graphs Quality Assessment in the Era of LLMs: A Conceptual Framework

• arxiv url: http://arxiv.org/abs/2610.31684v1
• Date: Sat, 03 Oct 2026 19:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:06:26.114382
• Title: Knowledge Graphs Quality Assessment in the Era of LLMs: A Conceptual Framework
• Title（参考訳）: LLM時代の知識グラフによる品質評価:概念的枠組み
• Abstract要約: データの品質評価(QA)、情報、リンクデータ、KG、およびKGとLarge Language Models(LLM)の交差に関する文献をレビューする。 現在の最先端フレームワークを、24の品質ディメンション(QD)と様々な品質メトリクス(QM)のカタログに拡張します。 ドメインやタスクにカスタマイズ可能な汎用的なQAフレームワークを提案し,KGの品質を評価するための実践的なQAフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Knowledge Graphs (KGs) have been popularized during the last few decades and are increasingly constructed and consumed by Large Language Models (LLMs). Various applications therefore rely on KGs to provide concise, complete, accurate, faithful, fresh, and traceable answers. However, what is the quality of those KGs? In which cases should a KG be used, and can it be trusted to ground an LLM? How might it be evaluated? We reviewed the literature on quality assessment (QA) of data, information, linked data, KGs, and the intersection of KGs and LLMs. We extended the current state-of-the-art frameworks to a catalog of 24 quality dimensions (QDs) and various quality metrics (QMs). Furthermore, we propose a general-purpose, customizable to a domain or task, and practical QA framework for assessing the quality of KGs.
• Abstract（参考訳）: 知識グラフ(KG)は、ここ数十年で普及し、大規模言語モデル(LLM)によって構築され、消費されつつある。 したがって、様々なアプリケーションは、簡潔で完全で、正確で、忠実で、新鮮で、追跡可能な答えを提供するために、KGsに依存している。 しかし、これらのKGの品質はどうなっていますか? どのケースでKGを使うべきで、LDMを接地することは信頼できますか? どのように評価されるのか? 我々は、データの品質評価(QA)、情報、リンクデータ、KG、およびKGとLLMの交差に関する文献をレビューした。 現在の最先端フレームワークを、24の品質ディメンション(QD)と様々な品質メトリクス(QM)のカタログに拡張しました。 さらに、ドメインやタスクにカスタマイズ可能な汎用的なQAフレームワークを提案し、KGの品質を評価するための実践的なQAフレームワークを提案する。

関連論文リスト

• Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [63.84117489519164]
  知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。 広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。 我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。 本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
  論文  参考訳（メタデータ） (2025-05-29T14:44:52Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• KGLens: Towards Efficient and Effective Knowledge Probing of Large Language Models with Knowledge Graphs [22.53643028991214]
  大きな言語モデル(LLMs)は事実を幻覚させるが、キュレートされた知識グラフ(KGs)は一般的に事実に信頼性がある。 KGsとLLMsのアライメントを測定することで、その事実を効果的に調査し、LLMsの知識盲点を特定することができる。 我々は、KGsとLLMsのアライメントを効果的かつ効率的に測定することを目的とした、トンプソンにインスパイアされたフレームワークであるKGLensを紹介する。
  論文  参考訳（メタデータ） (2023-12-15T23:34:05Z)
• Knowledge Graph Quality Evaluation under Incomplete Information [9.48089663504665]
  不完全情報に基づく知識グラフ品質評価フレームワーク(QEII)を提案する。 品質評価タスクは、2つのKG間の逆Q&Aゲームに変換される。 評価プロセス中は、情報保護を保証する生データを露出しない。
  論文  参考訳（メタデータ） (2022-12-02T06:12:10Z)
• Knowledge Graph Curation: A Practical Framework [0.0]
  そこで本研究では,KGの品質向上のための知識グラフキュレーションフレームワークを提案する。 まず、KGsの状態を評価するための品質指標のセットを定義する。 次に, クリーニング作業としてKGの検証と検証を行う。 第3に,KGの濃縮のための重複検出と知識融合戦略を提案する。
  論文  参考訳（メタデータ） (2022-08-17T07:55:28Z)

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。