RAG框架

标题：Graphusion：一个具有全局视野的用于科学知图谱构建的RAG框架

代码地址：https://github.com/IreneZihuiLi/Graphusion

发表日期：2024-10-23

摘要：知识图谱（KG）在人工智能领域至关重要，广泛应用于下游任务，如问答（QA）。KG的建设通常需要领域专家付出巨大的努力。大型语言模型（LLM）于近期被用于知识图谱构建（KGC）。然而，大多数现有的方法侧重于局部视角，从单个句子或文档中提取知识三元组，缺少在全局KG中组合知识的融合过程。这项工作介绍了Graphusion，一个来自自由文本的零样本KGC框架。它包含三个步骤：在步骤1中，我们使用主题建模提取种子实体列表，以指导最终的KG包含最相关的实体；在步骤2中，我们使用LLM进行候选三元组提取；在步骤3中，我们设计了一个新的融合模块，该模块提供了提取知识的全局视图，结合了实体合并、冲突解决和新的三元组发现。结果表明，Graphusion在实体提取和关系识别方面分别获得了2.92和2.37分（满分3分）。此外，我们展示了Graphusion如何应用于自然语言处理（NLP）领域，并在教育场景中对其进行验证。具体来说，我们介绍了TutorQA，这是一个新的经过专家验证的QA基准，包括六个任务和总共1200对QA。使用Graphusion构建的KG，我们在基准上实现了显著的改进，例如，子图补全的准确率提高了9.2%。

论文地址：https://arxiv.org/abs/2410.17600