論文の概要: AutoOntic: Automatic Ontology Induction from Text for Knowledge Graph Construction
- arxiv url: http://arxiv.org/abs/2611.15467v1
- Date: Wed, 11 Nov 2026 13:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.154794
- Title: AutoOntic: Automatic Ontology Induction from Text for Knowledge Graph Construction
- Title(参考訳): AutoOntic:知識グラフ構築のためのテキストからのオントロジー自動誘導
- Abstract要約: AutoOnticは、オープン語彙のエンティティタイプと関係を標準化することで、テキストからオントロジーを構築する。
エンティティの重複を制約し、関係レベルのドメイン/範囲の制約の誘導をサポートする。
Text2KGBenchのWikidata-TekGenおよびDBpedia-WebNLGサブセットでは、AutoOnticの誘導エンドポイントの90%以上が、参照クラスとセマンティックに一致している。
- 参考スコア(独自算出の注目度): 10.130178524819536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based retrieval-augmented generation depends on the quality of the knowledge graph (KG) it retrieves over, yet schema-free LLM-based extraction pipelines typically produce flat graphs: deduplicated entities and relations with no type hierarchy and no domain/range constraints. We present AutoOntic, a pipeline that automatically constructs an ontology from text by canonicalizing open-vocabulary entity types and relations, inducing a hierarchy over the canonicalized types, and mining relation-level domain and range constraints. Its hierarchy induction procedure prioritizes types using corpus-derived relation-argument profiles and places them through local, LLM-adjudicated parent/child checks, allowing newly inserted types to trigger reassignment of existing parent-child links. The resulting hierarchy constrains entity deduplication and supports the induction of relation-level domain/range constraints. For intrinsic evaluation, we introduce a reference-based protocol that classifies induced ontology types as exact, broader, narrower, or unrelated to reference domain and range classes. On the Wikidata-TekGen and DBpedia-WebNLG subsets of Text2KGBench, over 90% of AutoOntic's induced endpoint types are semantically aligned with the reference classes across two LLM backbones: about half match exactly, while most remaining differences concern granularity. On MINE, knowledge graphs organized using an ontology built by AutoOntic achieve 88% retrieval accuracy. AutoOntic is available at https://github.com/screemix/AutoOntic.
- Abstract(参考訳): グラフベースの検索強化生成は、取得した知識グラフ(KG)の品質に依存するが、スキーマのないLCMベースの抽出パイプラインは通常、フラットグラフを生成する。
オープン語彙のエンティティタイプと関係の正準化、正規化型に対する階層化、関係レベルドメインと範囲制約のマイニングにより、テキストからオントロジーを自動的に構築するパイプラインであるAutoOnticを提案する。
その階層化誘導手順は、コーパス由来の関係配置プロファイルを使用して型を優先順位付けし、LLM指定の親子チェックを通じてそれらを配置し、新たに挿入された型が既存の親子リンクの再割り当てをトリガーする。
その結果、階層構造はエンティティの重複を制約し、関係レベルドメイン/範囲制約の誘導をサポートする。
そこで本研究では,提案するオントロジー型を,参照ドメインや範囲クラスと正確に,より広く,より狭く,あるいは無関係に分類する参照ベースのプロトコルを提案する。
Text2KGBenchのWikidata-TekGenおよびDBpedia-WebNLGサブセットでは、AutoOnticの誘導エンドポイントの90%以上が、2つのLCMバックボーンにまたがる参照クラスとセマンティックに一致している。
MINEでは、AutoOnticによって構築されたオントロジーを用いて構成された知識グラフが88%の精度で検索できる。
AutoOnticはhttps://github.com/screemix/AutoOntic.comで入手できる。
関連論文リスト
- SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation [3.01421775057336]
複雑な知識ベース質問応答(KBQA)は、質問固有のサブグラフ上の情報検索か、あるいは意味解析によって実行可能な論理形式にアプローチすることが一般的である。
最近の大規模言語モデルエージェントは、セマンティックパースをインタラクティブにする。推論、知識ベースへのクエリ、部分的なSPARQLクエリの拡張を交互に行う。
本稿では,SAGA(UnderlineSchema-underlineAware UnderlineGrounding for UnderlineAgentic Text-to-SPARQL Generation)を提案する。
論文 参考訳(メタデータ) (2026-07-16T02:17:21Z) - SLM-Conditioned Hierarchical Relation Routing for Labeled Property Graph Learning [0.48302896549293584]
本稿では,小さな言語モデルをグラフメッセージ選択に直接統合するアーキテクチャを提案する。
各ターゲットノードに対して、インシデントメッセージは、隣人の構造状態、ノードプロパティエンコーディング、リレーションプロパティエンコーディング、リレーションタイプを組み合わせる。
アーキテクチャは、隣人と関係型の両方のレベルで解釈可能な解析をサポートする。
論文 参考訳(メタデータ) (2026-06-24T21:02:33Z) - HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。
本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
論文 参考訳(メタデータ) (2026-04-09T07:55:27Z) - GRACE: Graph-Guided Repository-Aware Code Completion through Hierarchical Code Fusion [33.66085762717581]
LLMはローカライズされたコード補完に優れていますが、コンテキストウィンドウが限られているため、リポジトリレベルのタスクに苦労しています。
GRACEは、静的および動的コードセマンティクスの両方をキャプチャするために、マルチレベルでマルチセマンティックなコードグラフを構築する。
実験によると、GRACEはすべてのメトリクスで最先端のメソッドよりも大幅に優れています。
論文 参考訳(メタデータ) (2025-09-07T09:01:48Z) - Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。
提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。
これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
論文 参考訳(メタデータ) (2025-08-26T20:50:16Z) - Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-11T22:27:51Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:45:01Z) - Low-Resource Task-Oriented Semantic Parsing via Intrinsic Modeling [65.51280121472146]
私たちは本質的にオントロジーラベルについて知っているものを利用して、効率的なセマンティック解析モデルを構築します。
我々のモデルはTOPv2から派生した低リソースのベンチマークを用いて高効率である。
論文 参考訳(メタデータ) (2021-04-15T04:01:02Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳(メタデータ) (2020-09-12T17:36:53Z)
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。