LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT

要約

ナレッジ グラフ (KG) は、社会、産業、科学分野のさまざまな領域にわたって知識とデータを整理する、構造化され、柔軟で、透明性があり、クロスシステムで協調的な方法を提供します。
KG は、有効性の点で他のどの表現形式よりも優れています。
ただし、ナレッジ グラフ エンジニアリング (KGE) には、グラフ構造、Web テクノロジー、既存のモデルと語彙、ルール セット、ロジック、およびベスト プラクティスに関する深い経験が必要です。
また、多大な労力も必要となります。
近年の大規模言語モデル (LLM) とそのインターフェイスおよびアプリケーションの進歩を考慮して、KGE をサポートする際の可能性を探るために、ChatGPT を使用した包括的な実験を実施しました。
このペーパーでは、これらの実験とその結果の一部を紹介し、ChatGPT が KG の開発と管理にどのように役立つかを示します。

要約(オリジナル)

Knowledge Graphs (KG) provide us with a structured, flexible, transparent, cross-system, and collaborative way of organizing our knowledge and data across various domains in society and industrial as well as scientific disciplines. KGs surpass any other form of representation in terms of effectiveness. However, Knowledge Graph Engineering (KGE) requires in-depth experiences of graph structures, web technologies, existing models and vocabularies, rule sets, logic, as well as best practices. It also demands a significant amount of work. Considering the advancements in large language models (LLMs) and their interfaces and applications in recent years, we have conducted comprehensive experiments with ChatGPT to explore its potential in supporting KGE. In this paper, we present a selection of these experiments and their results to demonstrate how ChatGPT can assist us in the development and management of KGs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google