LLM4VKG: वर्चुअल नॉलेज ग्राफ निर्माण के लिए लार्ज लैंग्वेज मॉडल्स का उपयोग

वर्चुअल नॉलेज ग्राफ (VKGs) डेटा एकीकरण के लिए एक प्रभावी समाधान प्रदान करते हैं, लेकिन आमतौर पर इनके निर्माण के लिए महत्वपूर्ण विशेषज्ञता की आवश्यकता होती है। यह प्रक्रिया, जिसमें ऑन्टोलॉजी विकास, स्कीमा विश्लेषण और मैपिंग निर्माण शामिल है, अक्सर नामकरण की अस्पष्टताओं और मिलान संबंधी समस्याओं से बाधित होती है, जिन्हें दूर करने में पारंपरिक नियम-आधारित तरीके संघर्ष करते हैं। लार्ज लैंग्वेज मॉडल्स (LLMs), प्रासंगिक रूप से उपयुक्त पाठ को संसाधित और उत्पन्न करने की अपनी क्षमता के साथ, एक संभावित समाधान प्रस्तुत करते हैं। इस कार्य में, हम LLM4VKG प्रस्तुत करते हैं, जो एक नया फ्रेमवर्क है और VKG निर्माण को स्वचालित करने के लिए LLMs का लाभ उठाता है। RODI बेंचमार्क पर प्रायोगिक मूल्यांकन से पता चलता है कि LLM4VKG अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है, जिससे औसत F1-score में +17% का सुधार और अधिकतम +39% का लाभ प्राप्त होता है। इसके अलावा, LLM4VKG अधूरी ऑन्टोलॉजी के प्रति मजबूत साबित होता है और जटिल मैपिंग को संभाल सकता है जहाँ वर्तमान तरीके विफल हो जाते हैं।