EDC：基于大型语言模型的知识图谱自动构建新框架

# 大语言模型构建知识图谱现状与挑战 简单来说，知识图谱可以理解成一种用“节点”和“边”来表达信息的方式——节点代表实体，边代表实体之间的关联。它在智能决策、问答系统、推荐引擎等场景中应用广泛。过去，知识图谱的构建主要依赖人工标注，难以实现大规模自动化。 自去年大语言模型（LLM）爆发以来，众多研究者开始尝试利用LLM结合Agent的方式自动提取知识图谱，典型方法包括多轮对话与代码生成。例如，**ChatIE**通过构建多轮对话形式的问题来抽取三元组，而**CodeKGC**则将知识图谱构建转化为代码生成任务。 然而，这些尝试大多局限于小规模、特定领域的数据集。一个核心难题在于：为了保证提取的三元组有效，必须将模式信息嵌入提示词中。面对像维基百科这样复杂的现实数据，所需的关系模式往往远超模型的处理能力。这是当前主流方法面临的关键瓶颈——难以在真实大规模场景中推广。 # 什么是EDC框架 针对上述问题，这篇论文提出了一套全新的知识图谱构建框架：**EDC**，即 **Extract-Define-Canonicalize**（提取-定义-规范化）。它将知识图谱构建拆解为三个步骤，每一步都充分发挥了Agent应用的优势： - **第一阶段（提取）**：从文本中开放式地抽取实体与关系的组合，不依赖任何预设模式 - **第二阶段（定义）**：为每个抽取出的实体和关系赋予明确的语义定义（如上图的Phase 2） - **第三阶段（规范化）**：将语义相近的实体和关系统一到标准词汇上，消除冗余与歧义 这一流程的价值在于：它不仅提升了信息提取的精度，还显著减少了结果中的重复和歧义，让知识图谱构建更高效、更准确。 传统知识图谱构建方法通常遵循既定模式生成三元组，而开放式信息提取（OIE）则完全摆脱预设模式。LLM在OIE任务中表现出色，但一个关键缺陷是——它们没有对提取的三元组进行标准化，导致开放知识图谱中大量出现重复知识。标准化的过程过去常被称为“对齐”。例如，有人尝试利用WordNet作为辅助资源进行对齐，也有人采用聚类方法，但聚类容易造成过度泛化，把本不属于同一类的东西归到一起。 相比之下，EDC框架的普适性更强——无论是否存在目标模式，它都能有效工作。它不依赖WordNet这类静态外部资源，而是充分利用LLM生成的丰富上下文和语义信息。更有意思的是，EDC通过让LLM验证转换的可行性，而不是单纯依赖嵌入相似度，从而有效缓解了以往方法中常见的过度泛化问题。 # 具体如何做：Show me the Prompts！ **第一步：开放式提取关系** 作者使用了few-shot示例来帮助模型学习如何提取三元组数据。 **第二步：定义实体间关系** 同样通过few-shot示例，让模型学会如何为关系赋予清晰的定义。 **第三步：关系标准化** 这一阶段的核心任务是将抽取出的三元组关系做标准化处理，剔除多余信息和不确定性。具体做法是：先对关系做向量化处理，然后沿着两条路径寻找目标关系。 - **目标关系对齐**：如果已有现成的目标关系，直接从现有关系中找到最接近的匹配。为了避免过度泛化，每次转换都会由LLM进行合理性评估。 - **自我标准化**：将语义相近的关系合并，精简知识图谱的整体结构。 **第四步：优化（EDC + R）** 这套优化流程借助EDC产出的数据，进一步提升三元组提取的精准度。 候选实体来自：前一阶段EDC抽取的实体，加上LLM Agent从文本中识别的实体。候选关系来自：上一轮EDC抽取的关系，加上通过关系检索工具从标准化关系库中检索到的关系。 通过整合LLM Agent应用和模式检索工具提供的实体与关系，相当于为模型构建了一个更完备的候选资源库。这样就有效解决了因关键实体或关系缺失而导致的效率下降问题。 # 效果测评 在多个LLM Agent的对比中，GPT-4表现最为突出，而Mistral-7b和GPT-3.5-turbo的成绩也比较接近。相比基线模型，这套方法在REBEL和Wiki-NRE数据集上展现了更显著的提升。分析下来，主要原因在于GenIE的生成策略存在限制，导致它在抽取包含具体数值和日期等字面信息的三元组时效果不够理想。 论文地址：https://arxiv.org/abs/2404.07784