Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing
ETH Z\"urich
针对知识追踪依赖专家标注且忽视题目标签语义的问题,提出KCQRL框架,利用LLM自动标注解答步骤中的KC,并通过假负例消除的对比学习生成语义嵌入,在15种KT算法和两个数学数据集上稳定提升性能。
2025-03-13 cs.CL cs.LG
OKBench: Democratizing LLM Evaluation with Fully Automated, On-Demand, Open Knowledge Benchmarking
University of Chicago(芝加哥大学);TTI-Chicago(芝加哥技术研究所);UC Santa Barbara(圣巴巴拉大学);Stony Brook University(石溪大学)
针对静态知识基准无法捕捉动态知识、集中式编纂滞后于LLM发展的问题,提出全自动智能体框架OKBench,按需生成新闻领域动态知识基准,评估显示其能揭示模型应对新信息的行为并验证检索对缩小模型性能差距的作用。
2025-10-31 cs.AI cs.CL
KG-CRAFT: Knowledge Graph-based Contrastive Reasoning with LLMs for Enhancing Automated Fact-checking
Universidade Federal Fluminense(联邦Fluminense大学);Amazon(亚马逊);City St George’s, University of London(伦敦大学圣乔治学院)
KG-CRAFT通过结合知识图谱和大语言模型,提升自动事实核查的准确性与性能。
2026-01-27 cs.AI cs.CL
Automated Clinical Data Extraction with Knowledge Conditioned LLMs
Freenome(弗里诺姆公司)
本文提出一种基于上下文学习(ICL)的知识对齐框架,通过检索器和评分器结合内外部知识,解决LLM在临床报告提取中的幻觉问题,将关键字段F1分数平均提升12.9%。
2024-11-15 cs.AI cs.CL
LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning
Tsinghua University(清华大学);Beihang University(北航);Renmin University of China(中国人民大学)
本文提出LecEval,一种基于Mayer多媒体学习认知理论的自动化评估指标,通过四个评分标准评估幻灯片教学中的多模态知识获取,并在2000多张人工标注幻灯片上训练模型,验证其优于现有指标。
2025-05-04 cs.AI cs.CL
LOKE: Linked Open Knowledge Extraction for Automated Knowledge Graph Construction
Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对开放信息抽取与知识图谱对齐不足的问题,提出LOKE方法,利用GPT模型和提示工程结合实体链接,在OKE任务上优于OpenIE 4,抽取结果适用于半自动知识图谱构建。
2023-11-15 cs.AI cs.CL
From Amateur to Master: Infusing Knowledge into LLMs via Automated Curriculum Learning
Cerebras Systems(Cerebras系统)
大语言模型(LLM)擅长一般任务,但在经济学和心理学等专业领域表现不佳,这些领域需要深入的原则性理解。为了解决这个问题,我们引入了ACER(自动化课程增强方案),将通才模型转换为领域专家,而不会牺牲其广泛的功能。宏碁首先综合了一个全面的,教科书式的课程,通过生成一个主题的目录,然后创建问题-答案(QA)对指导布卢姆的分类。这确保了系统的主题覆盖和逐步增加的难度。由此产生的合成语料库用于持续的预训练与交错的课程表,调整学习内容和认知维度。使用Llama 3.2(1B和3B)的实验显示,在专门的MMLU子集中有显著的增益。在具有挑战性的领域,如微观经济学,在基线斗争,宏碁提高准确性5个百分点。在所有目标领域,我们观察到3个百分点的宏观平均改善。值得注意的是,ACER不仅可以防止灾难性遗忘,还可以促进积极的跨领域知识转移,将非目标领域的绩效提高0.7分。除了MMLU之外,ACER还将ARC和GPQA等知识密集型基准测试的性能提升了2个绝对点以上,同时在一般推理任务上保持稳定的性能。我们的研究结果表明,ACER提供了一个可扩展的和有效的配方关闭关键领域的差距在LLM。
2025-10-30 cs.AI cs.CL
Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback
Microsoft Research(微软研究院);Columbia University(哥伦比亚大学)
诸如ChatGPT之类的大语言模型(LLM)能够为许多下游任务生成类似人类的流畅响应,例如,以任务为导向的对话和问答。然而,将LLM应用于现实世界的关键任务应用程序仍然具有挑战性,主要是因为它们倾向于产生幻觉,并且无法使用外部知识。本文提出了一种LLM增强器系统,它增加了一组即插即用模块的黑盒LLM。我们的系统使LLM生成基于外部知识的响应,例如,存储在特定任务的数据库中。它还迭代地修改LLM提示,以使用由效用函数生成的反馈来改善模型响应,例如,LLM生成的响应的真实性得分。LLM-Augmenter的有效性进行了实证验证两种类型的场景,面向任务的对话和开放域问答。LLM-Augmenter可以显着减少ChatGPT的幻觉,同时又不牺牲其响应的流畅性和信息量。我们公开源代码和模型。
2023-03-08 cs.AI cs.CL
LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities and Future Opportunities
Zhejiang University(浙江大学);ZJU-Ant Group Joint Research Center for Knowledge Graphs(浙江大学-蚂蚁集团知识图谱联合研究中心);National University of Singapore(新加坡国立大学)
本文系统评估了GPT-4等大语言模型在知识图谱构建与推理任务中的表现,发现其更擅长推理而非少样本抽取,并据此提出虚拟知识抽取任务、VINE数据集及多智能体方法AutoKG。
2024-12-26 cs.AI cs.CL cs.DB
Harry Potter is Still Here! Probing Knowledge Leakage in Targeted Unlearned Large Language Models via Automated Adversarial Prompting
University of Science, VNU-HCM(越南国立大学胡志明市理科大学);Indiana University(印第安纳大学)
提出LURK框架,通过自动生成对抗性后缀提示探测已遗忘LLM中隐藏的哈利·波特知识,揭示现有遗忘评估标准的漏洞,提供更严格的鲁棒性诊断工具。
2025-05-22 cs.AI cs.CL cs.CR
AI Knowledge Assist: An Automated Approach for the Creation of Knowledge Bases for Conversational AI Agents
Dialpad Inc.(Dialpad公司)
本文提出AI知识助手系统,从历史客服对话中自动提取问答对构建知识库,微调轻量级LLM在20家公司上达到90%以上准确率,消除冷启动差距,实现RAG聊天机器人快速部署。
2025-10-09 cs.AI cs.CL cs.LG
KARMA: Knowledge graph-based Automated Reasoning Materialization and Alignment
Sejong University(世宗大学)
研究针对基于模板对比合成的问题,提出KARMA方法,通过枚举知识图谱路径生成对比候选,用解耦槽级目标进行偏好监督,在多领域基准测试中表现优于基线。
2026-09-04 cs.AI cs.CL cs.LG
MP2D: An Automated Topic Shift Dialogue Generation Framework Leveraging Knowledge Graphs
IPAI, Seoul National University(首尔国立大学IPAI研究所);Dept. of ECE, Seoul National University(首尔国立大学电子与计算机工程系);LG AI Research(LG人工智能研究院);SNU-LG AI Research Center(首尔国立大学LG人工智能研究中心)
针对对话话题转移训练数据稀缺的问题,提出利用知识图谱的MP2D框架生成带自然话题过渡的对话数据集,构建TS-WikiDialog基准,验证了该数据能提升模型处理话题转移的性能。
2024-03-09 cs.AI cs.CL
FactLLaMA: Optimizing Instruction-Following Language Models with External Knowledge for Automated Fact-Checking
The Hong Kong Polytechnic University(香港理工大学)
针对大语言模型知识滞后问题,本文提出FactLLaMA,结合外部证据检索与指令微调LLaMA,在RAWFC和LIAR数据集上实现最先进的事实核查性能。
2023-09-01 cs.AI cs.CL
Automated Generation and Tagging of Knowledge Components from Multiple-Choice Questions
Carnegie Mellon University(卡内基梅隆大学)
本研究利用GPT-4为高等教育多选题自动生成知识组件,并通过专家评估和聚类算法验证了LLM生成的KCs在准确率和偏好上优于人工,推进了评估项目KCs生成与分类的自动化。
2024-05-30 cs.AI cs.CL
Knowledge Distillation in Automated Annotation: Supervised Text Classification with LLM-Generated Training Labels
University of Pennsylvania(宾夕法尼亚大学)
本文评估了用生成式LLM生成的标签替代人工标注数据来微调监督文本分类器的潜力,提出推荐工作流并在14个任务上复现实验,发现基于LLM标签微调的模型表现与人工标注相当,是一种快速高效且低成本的构建方法。
2024-06-25 cs.CL cs.LG
Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management
Aviation Studies Institute(航空研究所)
本文提出一种半自动方法,通过符号知识工程与生成式大语言模型的双重融合,构建领域导向的知识图谱,以解决机场运营文档复杂性问题,并提升流程依赖关系的恢复能力。
2026-03-27 cs.AI cs.CL cs.IR
Automated Knowledge Component Generation for Interpretable Knowledge Tracing in Coding Problems
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Pittsburgh(匹兹堡大学);North Carolina State University(北卡罗来纳州立大学)
本文提出基于LLM的知识组件生成与标注自动化流程,开发KCGen-KT框架,在不同编程语言的实测数据中验证其优于传统方法和人工编写的知识组件。
2026-05-17 cs.AI cs.CL cs.CY
AutoMind: Adaptive Knowledgeable Agent for Automated Data Science
Zhejiang University(浙江大学);Ant Group(蚂蚁集团);Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph(浙江大学-蚂蚁集团知识图谱联合实验室)
AutoMind是一个自适应知识型LLM智能体框架,通过专家知识库、知识树搜索和自适应编码策略,在自动化数据科学基准上超越现有方法,迈向全自动化数据科学。
2026-10-20 cs.AI cs.CL cs.HC
KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment
Department of Big Data and Biomedical AI, Peking University(北京大学大数据与生物医学人工智能系);Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology(佐治亚理工学院生物医学工程系);School of Architecture, Tsinghua University(清华大学建筑学院)
KARMA通过多智能体大语言模型自动丰富知识图谱,有效识别新实体并提高正确性与一致性
2026-01-11 cs.AI cs.CE cs.CL
Semantically Aligned Question and Code Generation for Automated Insight Generation
Microsoft(微软公司)
本文提出利用大语言模型同时生成数据问题与对应代码,并通过嵌入过滤语义未对齐的问题-代码对,从而提升自动洞察生成的准确性与问题多样性。
2024-03-21 cs.AI cs.CL cs.SE
AssistedDS: Benchmarking How External Domain Knowledge Assists LLMs in Automated Data Science
University of Minnesota(明尼苏达大学);Cisco Research(思科研究);Stony Brook University(石溪大学);University of Chicago(芝加哥大学);University of Michigan(密歇根大学)
提出AssistedDS基准,评估LLMs在表格预测中利用外部领域知识的能力,发现其常不加批判采纳信息,易受对抗内容影响,且处理时间序列等有误,凸显知识批判性利用的差距。
2025-10-23 cs.AI cs.CL cs.LG
AutoPureData: Automated Filtering of Undesirable Web Data to Update LLM Knowledge
University of Arizona(亚利桑那大学)
本文提出AutoPureData系统,自动收集并净化网络数据,以97%和86%的准确率分别消除不安全和不理想文本,确保仅用纯净数据更新LLM知识,支持跨语言RAG检索,提升模型可靠性和安全性。
2025-02-27 cs.AI cs.CL cs.IR
Automated Novelty Evaluation of Academic Paper: A Collaborative Approach Integrating Human and Large Language Model Knowledge
Department of Information Management, Nanjing University of Science and Technology(南京理工大学信息管理学院)
本文提出一种融合人类专家与LLM知识的协作方法,通过提取评审句子和总结方法论微调PLMs,并设计新型稀疏注意力文本引导融合模块,有效预测学术论文的方法新颖性。
2025-07-16 cs.AI cs.CL cs.DL
LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers
Department of Computer Science, Virginia Tech(弗吉尼亚理工学院计算机科学系)
本文提出LLM-FE框架,结合LLM的领域知识和推理能力,通过进化搜索自动发现表格学习任务中的有效特征,优于现有方法。
2026-05-10 cs.AI cs.CL cs.LG
The Choice of Knowledge Base in Automated Claim Checking
ETH Zurich(苏黎世联邦理工学院);University of Geneva(日内瓦大学)
自动索赔检查是确定索赔的真实性的任务,给出了在可信事实的知识库中找到的证据。虽然以前的工作已经采取了知识库作为给定的和优化的索赔检查管道,我们采取相反的方法-管道作为给定的,我们探索的知识库的选择。我们的第一个见解是,索赔检查管道可以转移到一个新的索赔领域,并可以访问新领域的知识库。其次,我们没有找到一个“普遍最好的”知识库-任务数据集和知识库的较高域重叠往往会产生更好的标签准确性。第三,组合多个知识库并不能提高性能,而只能使用最接近的领域知识库。最后,我们表明,索赔检查管道的选择证据的置信度得分可以用来评估知识库是否会表现良好的一组新的索赔,即使在没有地面真理标签。
2022-03-10 cs.CL
Automated Construction of a Knowledge Graph of Nuclear Fusion Energy for Effective Elicitation and Retrieval of Information
UK Atomic Energy Authority, Culham Campus(英国原子能管理局,库尔汉校区);STFC Hartree Centre(STFC哈特里中心);Sci-Tech Daresbury(科技达尔斯伯里);IBM Research(IBM研究院)
本文提出多步骤自动化构建知识图谱的方法,用于组织和表示大型文档语料中的领域知识。通过构建首个核聚变能源知识图谱,验证了自动命名实体识别和实体解析等关键功能,并评估了预训练大语言模型在处理挑战时的表现。
2026-05-14 cs.CL
Knowledge Distillation for Automated AI Tutor Evaluation
Folsom Lake College(福尔松湖学院)
大语言模型融入教育但缺乏教学质量评估方法,研究引入FATE模型评估人工智能导师,利用前沿大语言模型的知识蒸馏生成额外监督提升评估性能,通过基准测试证明了FATE作为自动评估器的效用。
2026-07-14 cs.CL
ProVe: A Pipeline for Automated Provenance Verification of Knowledge Graphs against Textual Sources
King’s College London(伦敦国王学院)
知识图谱是以语义三元组的形式从多个领域和来源收集数据的信息库,作为现代网络环境中各种关键应用程序的结构化数据源,从维基百科信息框到搜索引擎。这些图表主要作为信息的第二来源,并依赖于记录良好和可核实的出处,以确保其可信度和可用性。然而,他们系统地评估和确保这种来源的质量的能力,最重要的是它是否正确地支持图的信息,主要依赖于不随大小而扩展的手动过程。ProVe旨在弥补这一点,包括一个流水线的方法,自动验证是否知识图谱三元组是从其记录出处提取的文本支持。ProVe旨在帮助信息管理员,包括四个主要步骤,涉及基于规则的方法和机器学习模型:文本提取,三重语言化,句子选择和声明验证。ProVe在Wikidata数据集上进行了评估,在检测来源支持的二进制分类任务上取得了令人鼓舞的整体结果和出色的性能,在文本丰富的源上具有87.5%的准确率和82.9%的F1宏。本文中使用的评估数据和脚本可在GitHub和Figshare上获得。
2022-10-26 cs.CL
Framework for Question-Answering in Sanskrit through Automated Construction of Knowledge Graphs
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
本文提出一个自动构建知识图谱的梵语问答框架,在摩诃婆罗多、罗摩衍那及阿育吠陀文本上实现实例,能正确回答约50%的事实性问题,并分析了系统不足与改进方向。
2023-10-11 cs.CL
Enhancing Natural Language Inference Performance with Knowledge Graph for COVID-19 Automated Fact-Checking in Indonesian Language
School of Electrical Engineering and Informatics, Institut Teknologi Bandung(万隆理工学院电气工程与信息学院);Center for Artificial Intelligence (U-COE AI-VLB), Institut Teknologi Bandung(万隆理工学院人工智能中心)
针对深度学习因缺乏知识导致性能停滞的问题,提出在印尼语COVID-19自动事实核查中引入知识图谱作为外部知识,构建含事实、NLI和分类器模块的模型,显著提升了自然语言推理性能,最佳准确率达0.8616。
2025-09-03 cs.AI cs.CL
AutoGeTS: Knowledge-based Automated Generation of Text Synthetics for Improving Text Classification
FabLab, Inetum(FabLab,Inetum)
针对文本分类数据不足的问题,提出自动化工作流AutoGeTS,利用LLM生成合成数据提升模型性能,并构建集成算法根据类别特征选择最优搜索策略,实验证明其优于单一策略。
2025-08-04 cs.CL cs.LG
AutoETER: Automated Entity Type Representation for Knowledge Graph Embedding
Beihang University(北京航空航天大学);Hikvision Research Institute(海康威视研究院);Pengcheng Laboratory(鹏城实验室)
知识图谱嵌入(KGE)的最新进展允许在连续向量空间中表示实体和关系。一些传统的KGE模型利用额外的类型信息,可以提高实体的表示,但完全依赖于显式类型或忽略特定于各种关系的不同类型表示。此外,现有的方法都不能同时推断出对称、反转和复合的所有关系模式以及1-N、N-1和N-N关系的复杂性质。为了探索任何KG的类型信息,我们开发了一个新的KGE框架与自动实体类型表示(AutoETER),学习每个实体的潜在类型嵌入,将每个关系视为两个实体的类型之间的转换操作,具有关系感知的投影机制。特别是,我们设计的自动类型表示学习机制是一个可插拔的模块,可以很容易地与任何KGE模型。此外,我们的方法可以建模和推断所有的关系模式和复杂的关系。在四个数据集上的实验表明,该模型在链接预测任务上的性能优于现有的基线模型,并且类型聚类的可视化清晰地解释了类型嵌入,验证了该模型的有效性.
2020-10-06 cs.AI cs.CL
An Automated Knowledge Mining and Document Classification System with Multi-model Transfer Learning
University of Nottingham Malaysia(诺丁汉大学马来西亚分校);CAD-IT Consultants (M)
服务手册文件对工程公司至关重要,因为它们为服务工程师提供指导方针和知识。然而,由于资源的复杂性,服务工程师从文档中检索特定知识变得不方便和低效。在这项研究中,我们提出了一个自动化的知识挖掘和文档分类系统与新的多模型迁移学习方法。特别是,系统的分类性能得到了改善,三个有效的技术:微调,修剪,和多模型的方法。微调技术通过添加前馈神经网络层来优化预训练的BERT模型,并且修剪技术用于用新数据重新训练BERT模型。多模型方法训练和训练多个BERT模型,以克服微调过程中数据排序的随机性。在训练过程的第一次迭代中,同时训练多个BERT模型。然后,通过另外两次迭代,为训练过程的下一阶段选择最佳模型,并且终止其他BERT模型的训练过程。通过与两种鲁棒基线方法BERT和BERT-CNN的比较,对所提出的系统的性能进行了评估。在广泛使用的语料库语言可接受性(CoLA)数据集上的实验结果表明,所提出的技术在准确性和MCC得分方面优于这些基线方法。
2021-06-24 cs.CL cs.IR
OASYS: Domain-Agnostic Automated System for Constructing Knowledge Base from Unstructured Text
Kakao Enterprise(Kakao企业)
近年来,创建和管理知识库已成为零售产品和企业领域的关键。我们提出了一个自动知识库建设系统,挖掘数据的文件。该系统可以在训练过程中生成训练数据,无需人工干预。因此,它是领域无关的可训练的,只使用目标领域文本语料库和预定义的知识库。这个系统被称为OASYS,是第一个以韩语为基础的系统。此外,我们还构建了一个新的人类注释的基准数据集的韩国维基百科语料库与韩国DBpedia配对,以帮助系统评估。在人工标注的基准测试数据集上的系统性能结果是有意义的,并且表明仅在自动生成的数据上训练的OASYS生成的知识库是有用的。我们提供了一个人工注释的测试数据集和一个自动生成的数据集。
2022-06-29 cs.AI cs.CL cs.LG
Toward the Automated Construction of Probabilistic Knowledge Graphs for the Maritime Domain
Monash University(莫纳什大学);Defence Science and Technology Group(国防科学技术集团);IBM Australia(IBM澳大利亚公司)
针对现有海事威胁检测仅靠硬数据不足、软数据知识提取关注少的问题,提出Maritime DeepDive原型以从自然语言构建海事概率知识图谱,在海盗事件提取上取得初步良好结果。
2023-05-04 cs.AI cs.CL
iASiS Open Data Graph: Automated Semantic Integration of Disease-Specific Knowledge
Institute of Informatics and Telecommunications, NCSR Demokritos(国家科学研究中心德谟克利特信息学与电信研究所);School of Informatics, Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学信息学院);Department of Informatics and Telecommunications, National and Kapodistrian University of Athens(雅典国立卡波迪斯特里亚大学信息学与电信系)
在生物医学研究中,统一获取最新的特定领域知识至关重要,因为这些知识在科学文献和结构化资源中不断积累。识别和提取特定信息是一项具有挑战性的任务,知识库的计算分析在这方面可能很有价值。然而,对于特定疾病的分析,研究人员通常需要编译自己的数据集,整合来自不同资源的知识,或重用现有的数据集,这些数据集可能已经过时。在这项研究中,我们提出了一个框架,自动检索和整合疾病特定的知识到一个最新的语义图,iASiS开放数据图。该疾病特异性语义图以概念关系和属性的形式提供对与特定概念及其各个方面相关的知识的访问。所提出的方法是作为一个开源的框架,并适用于三种疾病(肺癌,痴呆症和杜氏肌营养不良症)。示例性查询,调查这种自动生成的语义图作为检索和分析疾病特异性知识的基础的潜力。
2020-06-02 cs.AI cs.CL cs.IR
Towards Knowledge-Infused Automated Disease Diagnosis Assistant
本文提出知识注入、话语感知的双通道疾病诊断模型 KI-DDI,并构建共情医患对话语料库,证明额外症状提取与医学知识融合可显著提升诊断效果。
2024-05-18 cs.AI cs.CL
Graphing the Truth: Structured Visualizations for Automated Hallucination Detection in LLMs
Department of Computer Science, University of Arizona(计算机科学系,亚利桑那大学)
本文提出通过结构化可视化技术,帮助自动检测大型语言模型中的幻觉问题,提升模型可靠性和响应质量。
2025-11-29 cs.AI cs.CL
Knowledge Models for Cancer Clinical Practice Guidelines : Construction, Management and Usage in Question Answering
本文提出改进的自动化知识建模算法,从NCCN癌症指南中构建可交互知识模型,并设计版本比较算法和问答框架,在NSCLC治疗问答评估中分别取得54.5%和81.8%的准确率。
2024-07-23 cs.AI cs.CL
Automated Extraction and Creation of FBS Design Reasoning Knowledge Graphs from Structured Data in Product Catalogues Lacking Contextual Information
Indian Institute of Science(印度科学学院);Harting India Private Limited(浩亭印度私人有限公司)
针对缺乏上下文的企业结构化产品数据无法直接构建标准本体知识图谱的问题,提出基于规则的方法与工作流,结合KG与NLP从遗留数据自动提取构建FBS本体知识图谱,经工业试点验证有效并总结了相关挑战与机遇。
2024-12-08 cs.AI cs.CL cs.IR
A System for Automated Open-Source Threat Intelligence Gathering and Management
University of California, Berkeley(加州大学伯克利分校);Microsoft Corporation(微软公司)
为了了解快速发展的网络威胁形势,开源网络威胁情报(OSCTI)越来越受到社区的关注。通常,有关威胁的知识在大量的OSCTI报告中提出。尽管迫切需要高质量的OSCTI,但现有的OSCTI收集和管理平台主要集中在孤立的低级别妥协指标上。另一方面,更高层次的概念(例如,对手的战术、技术和程序)及其关系被忽略了,这些知识包含了关于威胁行为的基本知识,而这些知识对于揭示完整的威胁场景至关重要。为了弥补这一差距,我们提出了SecurityKG,一个自动化OSCTI收集和管理系统。SecurityKG从各种来源收集OSCTI报告,使用AI和NLP技术的组合来提取有关威胁行为的高保真知识,并构建安全知识图谱。SecurityKG还提供了一个支持各种交互类型的UI,以促进知识图谱的探索。
2021-02-26 cs.AI cs.CL cs.CR
Automated Text Summarization Base on Lexicales Chain and graph Using of WordNet and Wikipedia Knowledge Base
Tarbiat Modares University(塔比亚特·莫达雷斯大学)
文档自动摘要技术的发展日趋成熟,为解决信息过载问题提供了一条新的途径。摘要在信息检索中起着重要的作用。对于大量文档,向用户呈现每个文档的摘要极大地促进了查找所需文档的任务。文档摘要是自动生成文档的压缩版本,为用户提供有用信息的过程,而多文档摘要是从一组文档中生成摘要,提供关于显式或隐式主题的大部分信息内容。文本的词汇衔接结构可以用来确定句子/短语的重要性。词汇链是分析篇章中词汇衔接结构的有效工具,本文考虑了词汇衔接特征在自动文摘中的作用,并提出了一种基于知识库的自动文摘算法。该算法首先找出词的正确词义,然后构造词汇链,去除得分较低的词汇链,从词汇链中粗略地检测出主题,并根据主题对文本进行分割,选出最重要的句子。在DUC 01和DUC 02的开放基准数据集上的实验结果表明,与最先进的摘要方法相比,我们提出的方法可以提高性能。
2012-03-15 cs.CL cs.IR
Commonsense Knowledge Base Construction in the Age of Big Data
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
编译常识知识传统上是人工智能的一个主题,由手工劳动来处理。网络数据处理的最新进展使自动化方法成为可能。在本演示中,我们将展示三个用于自动化常识知识库构建的系统,每次都突出数据管理社区特别感兴趣的一个方面。(i)我们使用Quasimodo来说明知识提取系统工程,(ii)骰子来说明模式约束在清洁模糊常识知识中发挥的作用,及(iii)上升来说明概念建模的相关性。这些演示可在https://quasimodo.r2.enst.fr、https://dice.mpi-inf.mpg.de和ascent. mpi-inf.mpg. de上获得。
2021-05-05 cs.AI cs.CL cs.DB
Automated Mining of Leaderboards for Empirical AI Research
L3S Research Center(L3S研究中心);Leibniz University of Hannover(莱布尼茨汉诺威大学);TIB Leibniz Information Centre for Science and Technology(莱布尼茨科学技术信息中心)
随着研究出版物的快速增长,赋予科学家对科学进展进行监督的权力至关重要。在这方面,信息组织的排行榜方面通过汇总解决相同研究挑战的各种研究的经验结果,提供了最新技术水平的概述。像PapersWithCode这样的众包努力主要致力于为人工智能的各个子域构建排行榜。排行榜提供机器可读的学术知识,已被证明对科学家跟踪研究进展直接有用。使用自动文本挖掘可以大大加快排行榜的构建。本研究提出一个综合的方法来产生排行榜的知识图谱为基础的学术信息组织。具体来说,我们调查的问题,自动排行榜建设使用国家的最先进的Transformer模型,即BERT,SciBert和XLNet。我们的分析揭示了一种最佳方法,该方法在F1中的评估分数超过90%的任务中显着优于现有基线。这反过来又为排行榜提取提供了新的最先进的结果。因此,大量的人工智能实证研究可以在下一代数字图书馆中以知识图谱的形式组织起来。
2021-08-31 cs.AI cs.CL cs.DL
COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
提出一个从异构痕迹到可检查、可修正、可代理使用的技能包的自动化蒸馏系统,用于生成基于人的AI技能。
2026-05-29 cs.AI cs.CL cs.LG
Generative Language Modeling for Automated Theorem Proving
OpenAI
我们探讨了基于transformer的语言模型在自动定理证明中的应用。这项工作的动机是一个主要的限制自动定理证明人相比,人类-原始数学术语的生成-可能是通过从语言模型生成寻址的可能性。我们提出了一个自动化的证明和证明助手,GPT-f,元形式化语言,并分析其性能。GPT-f发现了新的简短证明,这些证明被主Metamath库所接受,据我们所知,这是基于深度学习的系统第一次提供被正式数学社区采用的证明。
2020-09-07 cs.AI cs.CL cs.LG