Multi-LLM collaborative hyper-relational knowledge graph construction with automatic prompt optimization

doi:10.1007/s40747-026-02475-1

Multi-LLM collaborative hyper-relational knowledge graph construction with automatic prompt optimization

2026-09-05

0

OA

AI

王青旺 (Qingwang Wang) *

DOI：10.1007/s40747-026-02475-1

原文链接

原文求助

摘要

En 中文

超关系知识图谱（HRKG），配备超级边等结构，能够表示多元关系和附加属性，从而更全面地描述复杂事实和场景。现有知识图谱构建方法通常针对特定数据集进行优化，导致模型泛化能力不足。为解决此问题，我们充分利用大型语言模型（LLM）的多任务泛化能力，提出HKG-MLLM框架，该框架利用多个轻量级开源LLM协作，基于高度指令性的提示从文本中提取知识，进而构建HRKG。该框架包含三个关键模块：（1）提示优化，基于预标注数据生成优化提示；（2）HRKG提取，使用上一步优化的提示提取信息；（3）HRKG修正，确保构建图谱的准确性和一致性。在HyperRED上的实验表明，HKG-MLLM在精确度、召回率和F1分数方面相较于基于LLM的现有方法均有显著提升。该框架有效解决了泛化性问题，为知识提取与表示提供了稳健的解决方案，为构建更通用且准确的HRKG铺平了道路。

Keyword:

Hyper-relational knowledge graph

Large language model

Artificial intelligence collaboration

Prompt engineering

Multi-LLM collaborative hyper-relational knowledge graph construction with automatic prompt optimization

摘要

期刊

机构