Schema-adaptable Knowledge Graph Construction

传统的知识图谱构建方法通常遵循静态信息提取范式，采用封闭的预定义模式集合。因此，当应用于动态场景或领域时，这种方法会存在不足，而新类型的知识也会不断涌现。这就需要一个系统，能够自动处理不断变化的模式图谱，以提取知识图谱信息。为了解决这个问题，我们提出了一个新的任务，称为可适应模式的知识图谱构建（schema-adaptable KGC），旨在在无需重新训练的情况下，基于动态变化的模式图谱不断提取实体、关系和事件。我们首先根据三个原则对现有数据集进行分割和转换，建立了一个基准，即水平模式扩展、垂直模式扩展和混合模式扩展；然后研究了几种著名方法（如Text2Event、TANL、UIE和GPT-3.5）的可适应模式表现。我们进一步提出了一个简单而有效的基准模型，称为\textsc{AdaKGC}，它包含模式丰富的前缀指示符和模式条件的动态解码，以更好地处理不断变化的模式。全面的实验结果表明，AdaKGC可以优于基准模型，但仍有改进空间。我们希望这项提出的工作能为社区带来好处。代码和数据集可在https://github.com/zjunlp/AdaKGC找到。

论文提出了一个新的任务——schema-adaptable KGC，旨在无需重新训练模型，自动处理动态变化的schema图以提取实体、关系和事件。该任务的提出是为了解决传统KGC方法在处理动态场景或领域时的不足。

论文提出了一种简单而有效的基线模型AdaKGC，其中包含了丰富的schema信息和动态解码策略，以更好地处理动态变化的schema图。相比于其他已有的方法，AdaKGC在实验中表现出更好的性能。

论文通过三个原则对现有数据集进行了拆分和转换，构建了一个基准测试集。实验中使用了几种已有的方法，如Text2Event、TANL、UIE和GPT-3.5，以及提出的AdaKGC模型。最终结果表明，AdaKGC相比其他方法有更好的表现。论文还提供了代码和数据集的开源。

最近在这个领域中，还有一些相关的研究，如《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》、《Multi-Relational Question Answering from Narratives with Hierarchical Graph Attention Networks》等。