Beyond Isolation: Multi-Agent Synergy for Improving Knowledge Graph Construction

知识图谱构建（KGC）是一个多方面的任务，需要提取实体、关系和事件。传统上，大型语言模型（LLMs）被视为在这个复杂领域中独自解决任务的代理人。然而，本文通过引入一种新的框架CooperKGC，挑战了这种范式。CooperKGC摒弃了传统方法，建立了一个协作处理网络，组装了一个KGC协作团队，能够同时处理实体、关系和事件的提取任务。我们的实验无疑表明，在CooperKGC内促进多样化代理人之间的协作和信息交互，比孤立运行的个体认知过程产生了更优异的结果。重要的是，我们的发现揭示了CooperKGC促进的协作增强了在多轮交互中的知识选择、纠正和聚合能力。

CooperKGC试图解决知识图谱构建中的实体、关系和事件提取问题，提出了一种协作处理网络的框架，旨在提高多个智能体之间的信息交互和协作能力。

CooperKGC建立了一个协作处理网络，由多个智能体同时处理实体、关系和事件提取任务，并通过多轮交互增强知识选择、修正和聚合能力。

论文通过实验验证了CooperKGC框架的有效性，并展示了协作处理网络相比于单个智能体的优越性。论文还提供了数据集和开源代码，为后续研究提供了基础。

在知识图谱构建领域，最近的相关研究包括：《A Survey of Knowledge Graph Embedding Techniques》、《OpenKE: An Open Toolkit for Knowledge Embedding》等。