Extraer, Definir, Canonizar: Un marco basado en LLM para la construcción de gráficos de conocimiento

En este trabajo, nos interesan los métodos automatizados para la creación de gráficos de conocimiento (KGC) a partir de texto de entrada. El progreso en los modelos de lenguaje de gran tamaño (LLMs) ha provocado una serie de trabajos recientes que los aplican a KGC, por ejemplo, mediante indicaciones de cero/pocos disparos. A pesar de los éxitos en conjuntos de datos específicos de dominios pequeños, estos modelos enfrentan dificultades para escalar al texto común en muchas aplicaciones del mundo real. Un problema principal es que en los métodos anteriores, el esquema de KG debe incluirse en la indicación de LLM para generar tripletas válidas; esquemas más grandes y complejos superan fácilmente la longitud de la ventana de contexto de los LLM. Para abordar este problema, proponemos un marco de tres fases llamado Extraer-Definir-Canonizar (EDC): extracción de información abierta seguida de definición de esquema y canonicización post-hoc. EDC es flexible en el sentido de que puede aplicarse a configuraciones donde hay un esquema objetivo predefinido disponible y cuando no lo hay; en este último caso, construye un esquema automáticamente y aplica canonicización propia. Para mejorar aún más el rendimiento, introducimos un componente entrenado que recupera elementos de esquema relevantes para el texto de entrada; esto mejora el rendimiento de extracción de los LLM de una manera similar a la generación aumentada por recuperación. Demostramos en tres benchmarks de KGC que EDC es capaz de extraer tripletas de alta calidad sin ajuste de parámetros y con esquemas significativamente más grandes en comparación con trabajos anteriores.