Graphusion: Leveraging Large Language Models for Scientific Knowledge Graph Fusion and Construction in NLP Education

知识图谱（KG）在人工智能领域中至关重要，并广泛应用于下游任务，例如增强问答系统。构建KG通常需要领域专家的大量努力。最近，大型语言模型（LLM）已被用于知识图谱构建（KGC），但是大多数现有方法都专注于局部视角，从单个句子或文档中提取知识三元组。在这项工作中，我们介绍了Graphusion，一种从自由文本进行零-shot KGC的框架。核心融合模块提供三元组的全局视图，包括实体合并、冲突解决和新的三元组发现。我们展示了Graphusion如何应用于自然语言处理（NLP）领域，并在教育场景中进行了验证。具体而言，我们介绍了TutorQA，这是一个新的经过专家验证的图推理和QA基准，包括六个任务和共计1,200个QA对。我们的评估表明，Graphusion在链路预测的准确性方面超过了监督基线高达10％。此外，它在概念实体提取和关系识别的人类评估中分别获得了平均得分2.92和2.37（满分为3分）。

论文旨在提出一个从自由文本中进行零样本知识图谱构建的框架，解决知识图谱构建需要大量领域专家参与的问题。同时，构建的知识图谱可用于增强问答系统等下游任务。

Graphusion是一种零样本知识图谱构建框架，其核心融合模块提供了三个功能：实体合并、冲突解决和新三元组发现，以提供全局视角的三元组。该框架在自然语言处理领域中应用，并在教育场景中进行了验证。

论文提出了一个新的零样本知识图谱构建框架，可以提供全局视角的三元组。作者还提出了一个新的基准数据集TutorQA，用于图推理和问答任务的评估。在实验中，该框架在链接预测方面超过了有监督的基线达10％的准确率，并在人类评估中获得了高分。

最近的相关研究包括：1）使用BERT进行知识图谱构建；2）使用远程监督进行知识图谱构建；3）使用强化学习进行知识图谱构建。相关论文包括：1）《BERT for Jointly Learning to Encode and Reason Over Textual and Structured Data》；2）《Knowledge Graph Construction via Joint Learning from Natural Language and Structured Data》；3）《Reinforcement Learning for Relation Classification from Noisy Data》。