.png){kind=icon}
返回
Optimizing knowledge bias: An adaptive correction method for open knowledge graph construction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132262.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱构建（KGC）旨在从文本中提取有用信息并将其组织成结构化的知识图谱（KGs）。一些近期方法利用大型语言模型（LLMs）强大的生成能力来克服传统方法在泛化和人工成本方面的局限性。因此，它们在小型、领域特定的数据集上取得了成功，但仍难以应对开放域文本中混乱术语和虚假事实带来的挑战。主要原因在于它们缺乏进一步精炼知识的能力，导致知识偏差的积累。为解决此问题，我们提出了一种用于开放知识图谱构建的自适应校正方法，即KG-OBS，旨在通过标准化知识模式和纠正事实错误来减轻知识偏差。具体而言，我们首先设计了一个知识感知器以快速从文本中提取知识。接着，一个知识规范器对提取的知识模式进行标准化。在此过程中，通过聚类中心近似策略实现了自适应模式对齐和扩展。最后，我们探索了一种基于反事实的知识校正器，使模型能够净化知识并减少事实错误。此外，净化的知识被编码并存储在知识保持器中以进行统一管理。实验结果表明，KG-OBS能够在三个KGC基准上无训练地提取高质量知识。与以往工作相比，它不仅能自适应地扩展模式信息，还能自动纠正错误以提升KG质量。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
.png){kind=icon}
