从人类专家到机器：一种由LLM支持的本体和知识图谱构建方法

构建本体和知识图谱（KGs）的传统过程高度依赖于领域专家来定义实体和关系类型、建立层次结构、保持与领域的相关性、填充ABox（或实例填充）以及确保数据质量（包括准确性和完整性等）。另一方面，近年来大型语言模型（LLMs）因其理解和生成类人自然语言的能力而备受关注，提供了自动化该过程部分环节的有希望的途径。本研究探索了基于开源LLM的（半）自动KG构建。我们的流程包括制定能力问题（CQs）、基于这些CQs开发本体（TBox）、使用开发的本体构建KG，最后以极小或无人工专家参与对生成的KG进行评估。我们通过利用学术文献创建一个关于深度学习方法的KG，展示了该半自动流程的可行性。为评估通过检索增强生成（RAG）产生的答案及LLMs自动提取的KG概念，我们设计了一个判定LLM，基于真实情况对生成内容进行评分。研究结果表明，采用LLMs可能减少KG构建中的人工工作量，但建议采用人机协作方式对自动生成的KG进行评估。