.png){kind=icon}
返回
CLARE: Context-Aware, Interactive Knowledge Graph Construction from Transcripts
.png){kind=icon}
PRE
AI
DOI：10.3390/info16100866.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）是检测和纠正自动音频及视频转录错误的一种有前景的方法。然而，缺乏易用的工具使得人工审核者支持有限，因为从媒体数据构建知识图谱通常依赖于高级编程或自然语言处理专业知识。我们提出了定制LLM自动关系提取器（CLARE），该系统通过结合上下文感知关系提取与转录修正和知识图谱精炼的界面来降低这一门槛。用户导入时间同步的媒体，通过关联播放纠正转录，并从修订后的文本生成可编辑、可搜索的知识图谱。CLARE支持超过150种大型语言模型（LLMs）和嵌入模型，包括适用于隐私敏感数据的本地选项。我们在节点和边的信息度量（MINE）基准上评估了CLARE，该基准将文章与事实真值配对。在最小参数调整下，CLARE实现了82.1%的平均事实准确率，超过了知识图谱生成（KGGen，64.8%）和图检索增强生成（GraphRAG，48.3%）。我们进一步通过重新审视25个最低分图谱各15分钟评估了交互式精炼，发现事实准确率平均提升了22.7%。这些发现表明，CLARE不仅优于先前的方法，还能实现高效的用户驱动改进。通过简化摄取、修正和过滤流程，CLARE使知识图谱构建对处理非结构化数据的科研人员更加易用。
Keyword:
knowledge graph
large language model graphical user interface
transcription
期刊
I
IF:
2.9
论文数:
861
被引数:
9.8K
机构
引用论文
DiarizationLM: Speaker Diarization Post-Processing with Large Language ModelsDiarizationLM：基于大型语言模型的说话人分割后处理
PREAI
分享收藏Knowledge graphs in practice: characterizing their users, challenges, and visualization opportunities知识图谱实践：表征其用户、挑战和可视化机会.png)
IF0
PREAI
分享收藏
分享收藏
查看更多内容