May, 2024

FOKE：个性化和可解释的教育框架集成基础模型、知识图谱和提示工程

PDF
TL;DR通过整合大型语言模型、知识图谱和提示工程，FOKE 框架旨在革新智能教育，实现个性化、互动性和可解释性。它引入了三个关键创新：分层知识森林、多维用户建模机制和交互式提示工程方案，在编程教育、作业评估和学习路径规划中展示了其有效性和实用性，为全球学习者带来潜力。FOKE 为个性化、互动性和可解释性的教育服务提供了一个有原则和统一的方法，为进一步的研究和发展铺平了道路。
large language modelsknowledge graphsfokeeducationprompt engineering
发现论文，激发创造
  • LOKE：基于链接开放知识提取的自动知识图谱构建

    通过对 Wikidata 知识图谱使用 GPT 模型和 prompt engineering 的方法，我们研究了一个叫做 Linked Open Knowledge Extractor (LOKE) 的方法去解决 Open Information Extraction (Open IE) 存在的问题，发现 LOKE-GPT 在 Knowledge Graph Construction (KGC) 任务中比 AllenAI 的 OpenIE 4 实现效果更好。

    Nov, 2023

  • 为高校课程构建和融合多源教育知识图谱

    本论文提出了一种针对电子信息专业的自动化知识提取，可视化知识图谱构建和图形融合的框架，旨在通过探索学科交叉的热门知识概念，增强学习效率，提高学生对其专业各个概念和课程之间关系的全面理解，探索由人工智能实现的新教育范式。

    May, 2023

  • 基于学习推荐的 LLM 解释的上下文源知识图

    在个性化教育时代，为学习推荐提供易于理解的解释对增强学习者的理解和参与推荐的学习内容具有巨大价值。本文提出了一种利用知识图谱作为意见引擎源的方法，以减小语言模型模型的错误生成的风险，并确保高精度地满足学习者的意图，同时保持有关应用的学习上下文。我们利用知识图谱中的语义关系提供关于学习推荐的精心策划的知识。通过将领域专家纳入研究的提示工程阶段，设计解释模板，由语言模型进行填充和完成来确保解释包含与学习者相关的信息。我们定量评估了我们的方法使用 Rouge-N 和 Rouge-L 指标，并进行了与专家和学习者的质性评估。我们的结果表明，与仅由 GPT 模型生成的解释相比，生成的解释具有更高的召回率和准确度，并且极大地降低了最终学习解释中生成不准确信息的风险。

    Mar, 2024

  • 一种基于 FOFE-net 框架的简单有效知识库问答方法

    提出了一个基于 FOFE 和深度神经网络的简单但通用的神经模型 (FOFE-net) 来解决不同阶段的 KB-QA 问题，包括实体发现和链接 (EDL) 以及关系检测，评估结果表明 FOFE-net 在所有数据集的子任务中表现良好并推动了整体 KB-QA 系统的强大表现。

    Mar, 2019

  • 差分隐私联邦知识图谱嵌入

    本论文提出了一种名为 FKGE 的分散、可扩展、隐私保护的学习框架，可用于跨多个同一领域不同知识图谱的知识嵌入。在对 11 个不同的知识图谱进行广泛的实验后，本文表明 FKGE 的性能提高了，它的模型质量最多可增加 17.85％和 7.90％。

    May, 2021

  • 知识链：利用结构化知识库为大型语言模型提供支撑的框架

    Chain of Knowledge 使用结构化知识库扩大大型语言模型，并提出了查询生成模型以及对比指导调整模型参数，验证了该框架可以显著提高大型语言模型对于知识密集型任务的准确性。

    May, 2023

  • 利用人类计算游戏框架增强用于准确性关键生成式人工智能应用的知识图谱

    通过使用众包反馈通过视频游戏收集到的信息，GAME-KG 框架显示出是一种增强知识图谱的有效方法，同时为人类提供由其验证的可解释的结构化事实。

    Apr, 2024

  • 利用知识图谱进行可解释特征生成

    KRAFT 是一个 AutoFE 框架，利用知识图谱来指导生成可解释特征，通过神经生成器和基于知识的推理器结合的混合 AI 方法来提高预测准确性和生成特征的可解释性。实验证明，KRAFT 在提高准确性的同时保证了较高的可解释性。

    Jun, 2024

  • 面向知识图谱的开放领域知识提取

    通过 ODKE，我们介绍了一个可扩展的框架，用于从开放网络规模化地获取高质量的实体和事实，并分享在构建和部署行业级开放领域知识图谱时所学到的经验教训。

    Oct, 2023

  • 探索基础模型的上下文学习能力，用于从文本中生成知识图谱

    通过自然语言处理中的上下文学习，自动提取命名实体及其关系，实现知识图谱自动化构建。

    May, 2023