मानव विशेषज्ञों से मशीनों तक: एनएलएलएम समर्थित ओंटोलॉजी और नॉलेज ग्राफ निर्माण दृष्टिकोण

ओंटोलॉजी और नॉलेज ग्राफ (KGs) बनाने की पारंपरिक प्रक्रिया गहन रूप से मानव डोमेन विशेषज्ञों पर निर्भर करती है जो संस्थाओं और संबंध प्रकारों को परिभाषित करते हैं, पदानुक्रम स्थापित करते हैं, डोमेन से संबंधित बनाए रखते हैं, ABox को भरते हैं (या उदाहरणों से आबाद करते हैं), और डेटा गुणवत्ता सुनिश्चित करते हैं (जिसमें सटीकता और पूर्णता शामिल हैं)। दूसरी ओर, हाल ही में बड़े भाषा मॉडल (LLMs) मानव-समान प्राकृतिक भाषा को समझने और जनरेट करने की अपनी क्षमता के लिए लोकप्रिय हुए हैं, जो इस प्रक्रिया के पहलुओं को स्वचालित करने के आशाजनक तरीके पेश करते हैं। यह कार्य खुले स्रोत LLMs द्वारा सुगम (अर्ध-) स्वचालित KG निर्माण का अन्वेषण करता है। हमारी पाइपलाइन में क्षमता प्रश्न (CQs) का सूत्रीकरण, इन CQs के आधार पर एक ओंटोलॉजी (TBox) का विकास, विकसित ओंटोलॉजी का उपयोग करके KG का निर्माण और न्यूनतम या बिना मानव विशेषज्ञों की भागीदारी के परिणामी KG का मूल्यांकन शामिल है। हम शैक्षिक प्रकाशनों का दोहन करके डीप लर्निंग पद्धतियों पर एक KG बनाकर हमारी अर्ध-स्वचालित पाइपलाइन की संभाव्यता प्रदर्शित करते हैं। RAG द्वारा उत्पन्न उत्तरों और LLMs का उपयोग करके स्वचालित रूप से निकाले गए KG अवधारणाओं का मूल्यांकन करने के लिए, हम एक जज LLM डिजाइन करते हैं जो सच्चाई के आधार पर उत्पन्न सामग्री को रेट करता है। हमारे निष्कर्ष सुझाव देते हैं कि LLMs का उपयोग KG निर्माण में शामिल मानवीय प्रयास को संभवतः कम कर सकता है, हालाँकि स्वचालित रूप से उत्पन्न KGs का मूल्यांकन करने के लिए मानव-इन-द-लूप दृष्टिकोण की सिफारिश की जाती है।