Transforming Expert Knowledge into Scalable Ontology via Large Language Models
Amazon New York, USA（亚马逊纽约分公司）；Amazon Arlington, USA（亚马逊阿灵顿分公司）；Amazon Seattle, USA（亚马逊西雅图分公司）；Amazon Honolulu, USA（亚马逊檀香山分公司）
本文提出结合 LLM、专家校准与迭代提示优化的分类体系对齐框架，在概念必要性映射任务上以 0.97 的 F1 分数显著超过 0.68 的人类基准。
2025-06-11 cs.AI
Enquire One's Parent and Child Before Decision: Fully Exploit Hierarchical Structure for Self-Supervised Taxonomy Expansion
Université de Montréal（蒙特利尔大学）；Tencent Jarvis Lab（腾讯Jarvis实验室）
分类学是一种分层结构的知识图谱，在机器智能中起着至关重要的作用。分类法扩展任务的目的是在现有分类法中为新术语找到一个位置，以捕获世界上新兴的知识，并保持分类法动态更新。以往的分类扩展方案忽略了层次结构带来的有价值的信息，而仅仅评估增加的边的正确性，将问题降级为节点对评分或最小路径分类。在本文中，我们提出了层次扩展框架（HEF），它充分利用层次结构的属性，以最大限度地提高扩展分类的一致性。HEF在多个方面利用了分类学的层次结构：i）HEF利用包含最相关节点的子树作为自监督数据，对父树和兄弟树的关系进行完整的比较：ii）HEF采用一致性建模模块，结合上位关系检测和树排他特征来评估分类学子树的一致性; iii）HEF引入了用于位置选择的拟合分数，其明确地评估路径和水平选择，并充分利用父关系来交换信息以用于消歧和自我校正。大量的实验表明，通过更好地利用层次结构和优化分类的一致性，HEF大大超过了现有的最先进的三个基准数据集的平均提高46.7%的准确性和32.3%的平均倒数排名。
2021-01-27 cs.AI cs.CL cs.IR
A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects
Beijing University of Technology（北京工业大学）；Beijing Artificial Intelligence Institute（北京人工智能研究院）；Dakota State University（达科他州立大学）；Griffith University（格里菲斯大学）；University of Stuttgart（斯图加特大学）；Monash University（莫纳什大学）；Peking University（北京大学）
本文系统综述了时序知识图谱补全方法，从背景、插值与外推三个层面梳理现有技术、数据集和评估协议，并指出挑战与未来方向。
2023-08-04 cs.AI
Understanding Wikidata Qualifiers: An Analysis and Taxonomy
本文通过分析Wikidata限定词的语义和使用，构建了包含上下文、知识/不确定性、结构等类别的分类体系，旨在提升限定词推荐和知识图谱设计。
2026-03-12 cs.AI
Relational World Knowledge Representation in Contextual Language Models: A Review
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
关系知识库（KB）通常用于表示机器中的世界知识。然而，尽管知识库具有高度的精确性和可解释性，但它们通常是根据手动定义的模式组织的，这限制了它们的表达能力，并且需要大量的人力来设计和维护。在这篇综述中，我们从自然语言处理的角度来看待这些局限性，研究如何通过训练深度上下文语言模型（LM）来部分解决这些局限性，从而以更灵活的形式内化和表达关系知识。我们建议组织知识表示策略在LM的KB监督水平提供的，从没有KB监督在所有实体和关系级的监督。我们的贡献有三个方面：（1）我们提供了一个高层次的，可扩展的分类知识表示在LMs;（2）在我们的分类，我们突出了显着的模型，评估任务和调查结果，以提供一个最新的审查，目前的知识表示能力在LMs;（3）我们建议未来的研究方向，建立在LMs和知识库的互补方面作为知识表示。
2021-09-10 cs.AI cs.CL cs.LG
Neurosymbolic AI and its Taxonomy: a survey
Eldorado Institute of Technology（埃尔多拉多技术研究所）
本综述探讨了神经符号AI领域，该领域结合符号处理与神经网络以迈向AGI，文章对近年相关研究提出的模型及应用进行了分类与比较。
2023-05-17 cs.AI cs.LG cs.NE
Mapping Knowledge Representations to Concepts: A Review and New Perspectives
神经网络的成功在很大程度上建立在它们从现实世界的高维数据（如图像、声音或文本）创建内部知识表示的能力上。提取和呈现这些表征的方法，以解释神经网络的决策，是一个活跃和多方面的研究领域。为了更深入地了解这一领域的一个核心方面，我们进行了有针对性的审查，重点是旨在将内部表征与人类可理解的概念联系起来的研究。在这样做的时候，我们通过使用主要是演绎的法则解释作为建议的分类法，增加了对现有研究的视角。我们发现这种因果关系的分类和理论，有助于理解从神经网络解释中可以预期和不能预期的东西。该分析还揭示了与模型可解释性目标相关的文献中的模糊性;它是理解ML模型还是在部署领域中有用的可操作解释？
2022-12-31 cs.AI cs.LG
Lightweight Knowledge Representations for Automating Data Analysis
Northwestern University（西北大学）
本文提出一种跨领域的可扩展数据分析操作分类法及特定领域知识编码方法，构建系统自动生成可回答问题空间与分析计划，为实现完全自动化数据分析奠定基础。
2023-10-15 cs.AI cs.DB
OntoCat: Automatically categorizing knowledge in API Documentation
University of California, Davis（加州大学戴维斯分校）
大多数应用程序开发都是在复杂的API环境中进行的; API的参考文档在种类、复杂性和数量上都有了巨大的增长，并且可能很难浏览。越来越需要开发组织良好的方法来获取文档中隐藏的知识;一些研究工作涉及API相关知识的组织（本体论）。Maalej & Robillard [3]在严格的定性分析的支持下，进行了广泛的知识工程工作，确定了API知识的有用分类法。基于这种分类法，我们引入了一个领域独立的技术，从给定的API参考文档中提取知识类型。我们的系统，OntoCat，共引入了九个不同的功能和它们的语义和统计组合来分类不同的知识类型。我们在Python API参考文档上测试了OntoCat。我们的实验结果表明了该系统的有效性，并打开了可能相关的研究领域（即，用户行为、文档质量等）。
2016-07-26 cs.AI cs.CL cs.SE
Constructing Micro Knowledge Graphs from Technical Support Documents
IBM Research - India（IBM印度研究院）
针对技术支持文档构建知识图谱时的粒度挑战与知识丢失问题，提出创建微型知识图谱的技术，存储所有实体和动作并利用页面结构表示其位置与关系，还定义知识模式、提出流程提取技术，为应用提供额外知识源。
2025-04-14 cs.AI cs.IR
Column-Oriented Datalog Materialization for Large Knowledge Graphs (Extended Technical Report)
VU University Amsterdam（阿姆斯特丹自由大学）；Technische Universität Dresden（德累斯顿工业大学）
大型知识图谱上的数据挖掘规则的评价对于许多应用是必不可少的。在本文中，我们提出了一种新的方法，具体化数据库推理，它结合了一个基于列的内存布局与新的优化方法，避免在运行时冗余的推断。某些子查询的主动缓存进一步提高了效率。我们的经验评估表明，这种方法往往可以匹配甚至超过最先进的系统的性能，特别是在有限的资源。
2016-02-11 cs.AI cs.DB
WiCleanData: Guaranteeing the Type Consistency of Wikidata by Taxonomy Refinement and Constraint Enforcement
Télécom Paris（巴黎高等电信学院）；Institut Polytechnique de Paris（巴黎理工学院）
针对Wikidata的类型不一致问题，提出WiCleanData，通过语言模型辅助分类清理、层次聚合简化约束及事实过滤，构建无类型违反的知识图谱并公开。
2026-09-18 cs.AI
Healthcare Knowledge Graph Construction: State-of-the-art, open issues, and opportunities
The University of Jordan（约旦大学）；King Saud University（沙特国王大学）；Al-Balqa Applied University（巴尔卡应用大学）；Jordan University of Science and Technology（约旦科技大学）；Qatar University（卡塔尔大学）
在对高效和有效的大数据分析解决方案的需求的推动下，数据分析在医疗保健行业的应用取得了重大进展。知识图谱（KG）已被证明在这一领域的效用，并植根于许多医疗保健应用，以提供更好的数据表示和知识推理。然而，在缺乏一个代表性的KG建设分类，在这个指定的域中的几个现有的方法是不够的和低劣的。本文是第一个提供一个全面的分类和鸟瞰医疗KG建设。此外，从与各种医疗保健背景相关的学术著作中得出的当前最先进的技术进行了彻底的检查。这些技术是严格评估的知识提取，知识库和来源的类型，并纳入评估协议的方法。最后，一些研究结果和文献中存在的问题进行了报告和讨论，为未来的研究在这个充满活力的领域开辟了视野。
2022-07-08 cs.AI cs.CY
Systematizing LLM Persona Design: A Four-Quadrant Technical Taxonomy for AI Companion Applications
Carnegie Mellon University（卡内基梅隆大学）
本文提出四象限技术分类系统，系统化LLM人设设计，涵盖虚拟与具身、情感与功能增强，分析不同应用场景的技术挑战与核心问题。
2026-01-23 cs.AI cs.HC
A Technical Taxonomy of LLM Agent Communication Protocols
Technische Universität München（慕尼黑技术大学）
针对大语言模型智能体通信协议碎片化问题，提出包含五个维度的技术分类法，分析九种开源协议，揭示架构模式并预测协议演进趋势。
2026-06-18 cs.AI cs.MA cs.NI
TaxoKnow: Taxonomy as Prior Knowledge in the Loss Function of Multi-class Classification
Lenovo AI Lab（联想人工智能实验室）
本文提出TaxoKnow方法，将层次分类体系作为显式正则化项引入扁平分类器的损失函数，在半监督和全监督多类分类任务上均显著提升了分类性能。
2023-05-24 cs.AI cs.LG
When Large Language Models Meet Law: Dual-Lens Taxonomy, Technical Advances, and Ethical Governance
School of Law, China University of Political Science and Law（中国政法大学法学院）；Zhejiang University of Finance and Economics Dongfang College（浙江财经大学东洋学院）；School of Information Management for Law, China University of Political Science and Law（中国政法大学信息管理法学院）；Department of Artificial Intelligence, Chung-Ang University（成均馆大学人工智能系）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文综述了LLMs在法律领域的应用，提出整合法律推理与专业本体的双透镜分类法，系统梳理了技术进展、核心挑战及伦理治理，为法律AI的未来发展奠定基础。
2025-07-10 cs.AI cs.CL
Generative AI for Quantum Circuits and Quantum Code: A Technical Review and Taxonomy
University of Vaasa（瓦萨大学）；University of Turku（图尔库大学）
综述13个生成系统和5个支持数据集，探讨量子电路和代码生成的分类与训练方法，发现生成系统在语法和语义层面有所覆盖，但缺乏对量子硬件的端到端评估。
2026-03-17 cs.AI cs.CE cs.ET
Privacy in the Age of AI: A Taxonomy of Data Risks
University of Technology Sydney（悉尼科技大学）
针对传统隐私框架不适用于AI系统的问题，本文基于45项研究构建了含4大类19项风险的AI隐私风险分类体系，指出人为失误是核心影响因素，为可信AI发展和后续研究提供支撑。
2025-09-28 cs.AI cs.CR
Knowledge-Guided 3D CT Generation: A Conditioning-Centric Taxonomy
Politecnico di Milano（米兰理工大学）
本综述提出以条件为中心的分类法，沿外部知识类型、知识集成范式、生成架构三个维度组织条件3D CT生成研究，系统化现有方法并指出未来研究方向。
2026-08-12 cs.AI cs.CV cs.LG
Foundations for Transfer in Reinforcement Learning: A Taxonomy of Knowledge Modalities
Google DeepMind（谷歌DeepMind）
本文提出强化学习知识迁移的分类体系，系统梳理动力学模型、奖励模型、价值函数、策略和原始数据等知识模态，分析其属性与迁移目标的匹配关系，并强调从人工设计迁移向学习式迁移转变的重要性。
2023-12-04 cs.AI cs.LG cs.RO
A Dual-Axis Taxonomy of Knowledge Editing for LLMs: From Mechanisms to Functions
Department of Electrical and Computer Engineering（电气与计算机工程系）
本综述提出了一种基于功能的知识编辑分类法，结合机制与知识类型双轴，系统评估现有方法的优势与局限，并探讨未来研究方向。
2025-08-12 cs.AI cs.CL
The future of human-AI collaboration: a taxonomy of design knowledge for hybrid intelligence systems
vencortex；Kassel University（卡塞尔大学）；University of St. Gallen（圣加仑大学）
最近的技术进步，特别是在机器学习领域，在通往人工通用智能的道路上取得了惊人的进步。然而，当前现实世界中的业务应用程序中的任务还不能单独由机器来解决。因此，我们确定需要开发人类和机器的社会技术合奏。这种系统具有通过将人类和人工智能相结合来实现复杂目标的能力，以共同实现卓越的结果，并通过相互学习不断改进。因此，这些系统需要结构化设计知识。按照分类发展方法，本文提供了三个主要贡献：首先，我们提出了一个结构化的概述跨学科研究的作用，人类在机器学习管道。第二，我们设想混合智能系统和概念化的系统设计的第一次相关的尺寸。最后，我们提供了有用的指导系统开发人员在实施这些应用程序。
2021-05-07 cs.AI cs.HC
Beyond Individual Facts: Investigating Categorical Knowledge Locality of Taxonomy and Meronomy Concepts in GPT Models
University of Mississippi（密西西比大学）；Northeastern University（东北大学）；Indiana University（印第安纳大学）
该研究构建包含分类学与分体学两类层级概念的DARC数据集，用因果中介分析探究GPT模型中类别知识的局部性，发现相似范畴对应相似重要区域，但细粒度定位不明确。
2024-06-22 cs.AI cs.CL cs.LG
Long-Tail Knowledge in Large Language Models: Taxonomy, Mechanisms, Interventions and Implications
Google（谷歌）
本文探讨了大语言模型中长尾知识的定义、机制、干预及影响，提出统一框架以理解其表现和挑战。
2026-02-18 cs.AI cs.CL cs.CY
Find Parent then Label Children: A Two-stage Taxonomy Completion Method with Pre-trained Language Model
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
提出两阶段方法ATTEMPT，通过寻找父节点并标记子节点，结合预训练语言模型与提示生成自然句子进行上下位词识别，将新概念插入分类体系正确位置，在多个数据集上表现最优。
2024-06-25 cs.AI cs.CL
Classifications of the Summative Assessment for Revised Blooms Taxonomy by using Deep Learning
Dr. Babasaheb Ambedkar Technological University（巴巴萨海布·阿姆贝德卡理工大学）；Rajarambapu Institute of Technology（拉贾拉姆巴普理工学院）
教育是认识真理的基本步骤，也是培养反思能力的基础。布卢姆分类法的认知过程和知识维度着眼于人的理性能力，将学习过程分为六种不同的认知过程和四种不同的知识维度。这些类型在难度的增加上是同步的。本文对北京理工大学计算机工程与信息技术专业的软件工程课程进行了调查研究。提问是一个非常有用的成分。本文的基本目标是使用深度学习技术中的卷积神经网络CNN长短期记忆LSTM，基于修正的Blooms分类法，对总结性评价的分类进行相关研究，以达到显著的成绩和更高的精度水平。
2021-04-18 cs.AI
Knowledge-augmented Deep Learning and Its Applications: A Survey
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research AI（IBM人工智能研究院）
深度学习模型虽然在过去几年中在许多不同的领域取得了巨大的成功，但通常是数据饥渴型的，在看不见的样本上表现不佳，并且缺乏可解释性。目标领域中通常存在各种先验知识，它们的使用可以缓解深度学习的不足。为了更好地模仿人类大脑的行为，已经提出了不同的高级方法来识别领域知识并将其集成到深度模型中，以实现数据高效、可推广和可解释的深度学习，我们将其称为知识增强的深度学习（KADL）。在本文中，我们定义了KADL的概念，并介绍了它的三个主要任务，即，知识识别、知识表示和知识集成。不同于现有的调查是集中在一个特定类型的知识，我们提供了一个广泛而完整的领域知识及其表示的分类。基于我们的分类法，我们提供了一个系统的审查现有的技术，不同的现有作品，调查集成方法不可知论的知识分类。本调查涵盖了现有的工作，并提供了在知识增强深度学习的一般领域的研究鸟瞰图。对大量论文的深入和批判性的评论不仅有助于了解当前的进展，而且还有助于确定知识增强深度学习研究的未来方向。
2022-11-30 cs.AI cs.LG
IaC Generation with LLMs: An Error Taxonomy and A Study on Configuration Knowledge Injection
Jheronimus Academy of Data Science（Jheronimus数据科学学院）；Tilburg University（蒂尔堡大学）；Eindhoven University of Technology（埃因霍温理工大学）；University of Sannio（萨诺尼大学）
本研究探讨了如何通过系统性地注入结构化配置知识来提高LLM生成正确且意图一致的基础设施即代码（IaC）能力，特别是在Terraform中，提出了新的错误分类法，并评估了多种知识注入技术。
2025-12-16 cs.AI cs.SE
Distilling Hypernymy Relations from Language Models: On the Effectiveness of Zero-Shot Taxonomy Induction
BITS Pilani（Birla理工学院皮拉尼校区）；Cardiff University（卡迪夫大学）
本文分析了zero-shot分类学习方法，该方法通过提示和句子评分从语言模型中提取知识。我们表明，尽管它们很简单，这些方法优于一些监督策略，并在适当的条件下与当前最先进的竞争力。我们还表明，提示的统计和语言特性决定下游的性能。
2022-02-10 cs.AI cs.CL
Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
Carnegie Mellon University（卡内基梅隆大学）
多模态机器学习是一个充满活力的多学科研究领域，旨在设计具有智能能力的计算机代理，如理解，推理和学习，通过整合多种通信方式，包括语言，声学，视觉，触觉和生理信息。随着最近的兴趣在视频理解，体现自主智能体，文本到图像的生成，和多传感器融合的应用领域，如医疗保健和机器人，多模态机器学习带来了独特的计算和理论挑战的机器学习社区之间的异构数据源和互连经常发现的方式。然而，多模态研究的进展范围之广，使得很难确定该领域的共同主题和开放问题。通过从历史和最近的角度综合广泛的应用领域和理论框架，本文旨在提供多模态机器学习的计算和理论基础的概述。我们首先定义了三个关键原则的模态异质性，连接和互动，驱动了随后的创新，并提出了一个分类的六个核心技术挑战：代表，对齐，推理，生成，转移，量化涵盖历史和最近的趋势。最近的技术成就将通过这种分类的镜头呈现，使研究人员能够了解新方法的相似性和差异。最后，我们通过激励几个开放的问题，为未来的研究确定我们的分类。
2023-02-20 cs.AI cs.CL cs.CV
A Multi-Stage Framework with Taxonomy-Guided Reasoning for Occupation Classification Using Large Language Models
本研究提出一个包含推理、检索和重排序的多阶段框架，通过集成分类法引导的推理示例，显著提升了LLMs的职业分类性能，为GPT-4o等前沿模型提供了低成本且可扩展的替代方案。
2025-10-31 cs.AI cs.CL cs.SI
Taxonomy of A Decision Support System for Adaptive Experimental Design in Field Robotics
DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）；Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
现场机器人实验设计是一种自适应的人在回路决策过程，其中实验人员通过与机器人的交互以构建实验的形式了解系统性能和限制。这可能是具有挑战性的，因为系统的复杂性，需要在非结构化的环境中操作，以及最大限度地提高信息增益，同时最大限度地减少实验成本的竞争目标。在其他领域的成功的基础上，我们提出了使用决策支持系统（DSS），以放大人类的决策能力，克服其固有的缺点，并使原则性的决策在现场实验。在这项工作中，我们提出了共同的术语和六个阶段的分类专门用于自适应实验设计的信息量更大的测试和降低实验成本的DSS。我们构建和提出我们的分类使用DSS文献的例子和趋势，包括涉及人工智能和智能DSS的作品。最后，我们确定了关键的技术差距和未来研究的机会，以指导科学界追求下一代DSS的实验设计。
2022-10-15 cs.AI cs.HC cs.RO
Automatic Taxonomy Generation - A Use-Case in the Legal Domain
Insight Centre for Data Analytics（洞察数据分析中心）
法律领域的一个关键挑战是调整和表述通过文本表达的法律知识，以便法律从业人员和研究人员更容易和更快地获得这一信息，以帮助解决与合规有关的问题。实现这一目标的一种方法是对法律概念进行分类。虽然这项任务通常需要手工建设的领域专家的条款和它们的关系，本文介绍了一种方法来自动生成一个分类法的法律名词概念。我们应用和比较两种方法的语料库组成的法定文书，英国，威尔士，苏格兰和北爱尔兰的法律。
2017-10-04 cs.AI
AI Education in Higher Education: A Taxonomy for Curriculum Reform and the Mission of Knowledge
Columbia University（哥伦比亚大学）
本文提出AI教育分类法，将高等教育改革置于知识使命下，主张以教学创新为入口，通过教师从AI素养到研究整合的路径推动课程与学科更新。
2025-09-27 cs.AI cs.CY
Hallucination by Code Generation LLMs: Taxonomy, Benchmarks, Mitigation, and Challenges
UNIST（蔚山科学技术院）；Handong Global University（韩东国际大学）；Korea University（高丽大学）；Seoul National University of Science and Technology（首尔科学技术院）
本文综述 CodeLLM 代码生成中的幻觉问题，系统梳理幻觉类型、现有基准、缓解策略与开放挑战，并提出检测和消除幻觉的未来研究方向。
2025-05-13 cs.AI cs.SE
Are Large Language Models a Good Replacement of Taxonomies?
HKUST（香港科技大学）；Meta Reality Labs（元宇宙实验室（Meta Reality Labs））；HKUST (GZ)（香港科技大学（广州））
该研究针对LLMs能否替代分类法的疑问，构建了覆盖多领域多层级的TaxoGlimpse基准，经18个主流LLMs的实验发现其仍难以掌握专业分类法及叶级实体知识。
2024-06-20 cs.AI cs.CL cs.DB
TeKnowbase: Towards Construction of a Knowledge-base of Technical Concepts
IIT Delhi（印度理工学院德里分校）
本文描述了计算机科学中技术概念知识库TeKnowbase的构造。我们的主要信息源是技术网站，如Webopedia和Techtarget以及维基百科和在线教科书。我们将知识库的构建问题分为两个部分--实体的获取和实体间关系的提取。我们的知识库由大约100，000个三元组组成。我们进行了一个样本的三重和报告的准确性略高于90%的评估。此外，我们还使用TeKnowbase的特征对StackOverflow数据进行了分类实验，并提高了分类精度。
2016-12-15 cs.AI cs.CL
TiFi: Taxonomy Induction for Fictional Domains [Extended version]
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
分类法是结构化知识库的重要组成部分，从文本源和维基百科构建分类法受到了广泛关注。在本文中，我们专注于虚构领域的分类法的建设，使用嘈杂的类别系统从球迷维基或文本提取作为输入。这些虚构的领域是维基百科覆盖不足的实体宇宙的原型，例如企业特定的知识库或高度专业化的垂直领域。我们的小说为目标的方法，称为TiFi，由三个阶段组成：（i）类别清洗，通过识别候选类别，真正代表感兴趣的领域中的类，（ii）边缘清洗，通过选择对应于类包容的子类关系，和（iii）顶级建设，通过映射类到一个子集的高级WordNet类别。一项全面的评估表明，TiFi能够为各种虚构领域构建分类，如指环王，The Greek Mythology或希腊神话，具有非常高的精度，并且它在分类归纳方面的表现远远优于最先进的基线。
2019-01-29 cs.AI cs.CL cs.IR
A Study on Effect of Reference Knowledge Choice in Generating Technical Content Relevant to SAPPhIRE Model Using Large Language Model
Indian Institute of Science（印度科学研究院）
本文研究如何利用大语言模型生成与SAPPhIRE因果关系模型相关的技术内容，通过检索增强生成方法抑制幻觉，强调参考知识选择对生成准确性的重要性。
2024-06-29 cs.AI cs.CL
TaxoEnrich: Self-Supervised Taxonomy Completion via Structure-Semantic Representations
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
分类法是各个领域中许多实际应用的基础，作为知识的结构表示。为了处理越来越多的新概念需要组织成分类法，研究人员转向用新概念自动完成现有的分类法。在本文中，我们提出了TaxoEnrich，一个新的分类完成框架，它有效地利用了现有分类中的语义特征和结构信息，并提供了一个更好的候选位置表示，以提高分类完成的性能。TaxoEnrich由四个部分组成：（1）分类上下文化嵌入，它基于强大的预训练语言模型，结合概念的语义和分类关系;（2）分类感知的顺序编码器，它通过编码分类的结构信息来学习候选位置表示;（3）查询感知兄弟编码器，其基于候选兄弟对查询-位置匹配的重要性自适应地聚集候选兄弟以增强候选位置表示;（4）一个查询-位置匹配模型，它扩展了现有的工作与我们的新的候选位置表示。在四个不同领域的大型真实数据集上的实验表明，\TaxoEnrich在所有评价指标中取得了最佳的性能，并大大优于以前的最先进的方法。
2022-02-10 cs.AI cs.CL cs.IR
Agentic AI in Healthcare & Medicine: A Seven-Dimensional Taxonomy for Empirical Evaluation of LLM-based Agents
Department of Computer Science, New York University, CIMS, New York, USA（纽约大学计算机科学系，CIMS，纽约，美国）；Department of Computer Science, Cleveland State University, Cleveland, USA（克利夫兰州立大学计算机科学系，克利夫兰，美国）
本文提出一个七维分类法，用于评估基于大语言模型的医疗代理在认知能力、知识管理、交互模式等方面的能力分布与实现情况。
2026-02-04 cs.AI cs.CY
