通过使用大型语言模型(LLMs),本研究提出了一种创新的方法来自动化能力本体建模,该方法通过少样本提示技术仅需自然语言描述即可自动插入预定义的提示,从而大大减少了手动工作量并简化了能力本体生成过程。
Jun, 2024
我们提出了 LLMs4OL 方法,利用大型语言模型(LLMs)进行本体学习(OL)。通过全面评估使用零训练样例提示方法,我们发现 LLMs 可以有效地应用其语言模式捕捉能力于 OL,该能力包括从自然语言文本中自动提取和结构化知识。评估涵盖了对三个主要的 OL 任务进行九种不同的 LLM 模型家族的评估,包括术语类型化,分类系统发现以及非分类关系的提取,并包含了 WordNet 中的词汇语义知识,GeoNames 中的地理知识以及 UMLS 中的医学知识等多种类型的本体知识。
Jul, 2023
使用大型语言模型自动填充本体论与领域特定知识,通过查询模板生成实例,从而快速丰富本体论。
Apr, 2024
大型语言模型在生成个性化内容和促进交互对话方面表现出色,但在推理能力和提供可解释性输出方面仍有待提高。本研究深入探讨了大型语言模型的推理能力,突出了当前挑战和限制,阻碍了它们在复杂推理场景中的有效性。
Feb, 2024
利用开源 LMMs 进行(半)自动化构建知识图谱的可行性研究以及深度学习方法的知识图谱构建
Mar, 2024
本研究通过贝叶斯和频率分析结合,从 29 个 LLM 的数据中分析出 LLMs 的能力结构,发现 LLMs 的能力不是单一的,而是可以被解释为三个能力:推理、理解和核心语言建模,并且这三个能力可以解释模型性能的高比例差异,可以用来指导模型的改进和评测。
Jun, 2023
该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动,将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式,其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。
Dec, 2023
本研究使用大型语言模型(LLMs)研究了服务机器人需要常识知识帮助人类在日常情境中,以便他们理解其行为的上下文。实验揭示了在选择性提取情境行动知识方面的有限效果,表明单独使用 LLMs 可能不足够。然而,大规模提取一般性、可行性知识显示出潜力,表明 LLMs 可以成为有效创建机器人本体论的工具。该论文展示了知识提取技术可以应用于填充极简本体论,展示了 LLMs 与形式化知识表示的潜在合作能力。
Oct, 2023
经验分析表明,大型语言模型可以理解 DL-Lite 本体论,但在处理具有大型 ABox 的本体论以及理解 TBox NI 传递性方面存在困难。
本文研究了利用大型语言模型(LLM)以解决复杂本体对齐挑战的应用,采用基于提示的方法和整合丰富本体内容的模块,取得了自动化复杂对齐任务的重要进展。