佛山网站建设模板建站,wordpress的登录地址修改,揭阳关键词网站排名,电子工程网站有哪些2023年3月15日#xff0c;ChatGPT4.0的横空出世#xff0c;将人们对大语言模型的关注推到了风口浪尖。由于其在智能问答、翻译以及文本生成等工作任务上的卓越表现#xff0c;业界一度出现了不再需要发展知识图谱相关技术的观点#xff0c;知识图谱相关概念严重受挫。无可置… 2023年3月15日ChatGPT4.0的横空出世将人们对大语言模型的关注推到了风口浪尖。由于其在智能问答、翻译以及文本生成等工作任务上的卓越表现业界一度出现了不再需要发展知识图谱相关技术的观点知识图谱相关概念严重受挫。无可置疑的是大语言模型的确在智能问答等功能上与知识图谱存在交集并且表现令人惊讶。但由于大语言模型不可避免的“幻觉”问题使其存在无法给出准确、全面回答的情况故而无法适应用户全面的场景需求。而知识图谱存储着大量结构化的信息可以表达复杂的知识关系能够满足用户准确、有效的检索需求。由此看来二者各有所长不是简单的替代关系更有甚者二者可以彼此促进。众所周知知识图谱的构建过程是相当昂贵的开发者需要从海量的文档中抽取、对齐各类知识工作量巨大准确度要求也高。由于大语言模型拥有很强的泛化能力因此其能有效抽取、识别特定领域文档中的实体、属性以及关系知识可大大降低知识图谱的构建成本。 下面我们将通过一个示例介绍如何使用大语言模型在无代码的情况下辅助构建知识图谱。
案例设计 在该案例中我们使用如下内容进行知识提取。 刘彻之母王娡在怀孕时汉景帝刘启尚为太子。王娡梦见太阳进入她的怀中醒来告诉刘启后刘启认为这是高贵的征兆。刘彻还未出生他的祖父汉文帝刘恒就驾崩了。刘启继位是为景帝不久刘彻出生。刘彻是汉景帝第十子亦是王娡唯一的儿子。 [3] 汉景帝前元四年前153年四月二十三日汉景帝立栗姬所生的长子刘荣为皇太子刘彻亦同时被封为胶东王。 [4]刘彻的姑母馆陶公主刘嫖向栗姬为其女陈氏提亲被栗姬拒绝而王娡却许诺让刘彻娶陈氏因此刘嫖不断向景帝诋毁栗姬而赞誉王娡栗姬亦曾出言不逊而触怒景帝天平遂逐渐向王娡母子倾斜。前元六年前151年薄皇后被废黜后王娡暗中指使大行令奏请立栗姬为皇后使景帝对栗姬的不满达到极点于是处死大行令、疏远栗姬在前元七年前150年正月废刘荣为临江王。四月十七日景帝立王娡为皇后二十五日立时年七岁的刘彻为皇太子。 [5-6] 刘彻成为储君后景帝拜卫绾为太子太傅、王臧为太子少傅让他们辅导刘彻。 [119-120]汉景帝后元三年前141年正月十七日刘彻行冠礼。十天后景帝驾崩刘彻继位。 [7] 该信息取自百度百科关于汉武帝刘彻的一个片段。我们设计提取该段信息中的以下三类知识
人物及头衔获取文本中的人物信息作为知识的主体人物关系包括源人物、关系、目的人物三部分信息人物相关的事件包括人物、时间、事件描述三部分信息
提示工程准备 笔者选定阿里的通义千问模型作为我们的大语言模型用它提供的Web对话界面来进行提示工程。Web对话界面给出的答案可能会与其API接口有所差异但对提示工程的影响整体不大。提示工程的尝试过程笔者在此就不展示了。下面可以看一下大模型的知识抽取能力很大程度上超出了笔者的预期。
人物及头衔抽取 提示 请帮我分析####后文字中的人物及头衔。并将结果输出为json格式 #### 文本片段 应答 Json [ { 人物: 刘彻, 头衔: [ 汉景帝第十子, 胶东王, 皇太子, 皇帝 ] }, { 人物: 王娡, 头衔: [ 刘彻之母, 皇后 ] }, { 人物: 刘启汉景帝, 头衔: [ 太子, 皇帝 ] }, { 人物: 汉文帝刘恒, 头衔: [ 祖父刘彻的祖父, 皇帝 ] }, { 人物: 刘荣, 头衔: [ 皇太子, 临江王 ] }, { 人物: 馆陶公主刘嫖, 头衔: [ 刘彻的姑母, 公主 ] }, { 人物: 栗姬, 头衔: [ 刘荣之母 ] }, { 人物: 薄皇后, 头衔: [ 皇后 ] }, { 人物: 大行令, 头衔: [ 官员 ] }, { 人物: 卫绾, 头衔: [ 太子太傅 ] }, { 人物: 王臧, 头衔: [ 太子少傅 ] } ] 解读 信息抽取的非常全面数据组织的也很好。只是有些头衔抽取的不准确比如“刘彻之母”等信息这个信息理解为关系可能更好。存在一个人有多个头衔的情况这个是合理的。因为人的头衔是随时间变化的笔者在这里做实验构建的模型忽略了时间情况把人物曾经有的头衔都汇聚来存储了。如果知识库这部分信息需要做的更准确可以考虑将改信息与时间绑定并单独存储。
人物关系抽取 提示 请帮我分析####后文字中的人物关系并按照关系方向输出数据如父子关系时父亲在前儿子在后。以json格式输出格式如下{src:源名称,relation:关系,dst:目的名称} #### 文本片段 应答 Json [ {src: 王娡, relation: 母亲, dst: 刘彻}, {src: 刘启汉景帝, relation: 父亲, dst: 刘彻}, {src: 刘恒汉文帝, relation: 祖父, dst: 刘彻}, {src: 栗姬, relation: 原太子生母, dst: 刘荣}, {src: 刘嫖馆陶公主, relation: 姑母, dst: 刘彻}, {src: 陈氏, relation: 未婚妻后成为皇后, dst: 刘彻}, {src: 薄皇后, relation: 前皇后, dst: 汉景帝}, {src: 卫绾, relation: 太子太傅, dst: 刘彻}, {src: 王臧, relation: 太子少傅, dst: 刘彻} ] 解读 信息抽取的很好关系方向也是笔者所期望的。看到这里笔者都没啥意愿去核查抽取的是否准确了。其中的关系信息可以根据需要再进一步转换统一表达。 人物相关事件抽取 提示 请帮我分析####后文字中的事件及事件相关的人物和时间并将结果输出为json格式 #### 文本片段 应答 Json [ { 事件: 王娡怀孕并梦见太阳进入怀中, 时间: (未明确), 人物: [王娡, 刘启汉景帝] }, { 事件: 汉文帝刘恒驾崩, 时间: (刘彻出生前), 人物: [汉文帝刘恒] }, { 事件: 刘启继位为景帝, 时间: (刘彻出生前), 人物: [刘启汉景帝] }, { 事件: 刘彻出生, 时间: (刘启继位后不久), 人物: [刘彻, 王娡] }, { 事件: 刘荣被立为皇太子刘彻被封为胶东王, 时间: 前153年四月二十三日, 人物: [刘荣, 刘彻, 汉景帝刘启] }, { 事件: 馆陶公主刘嫖向栗姬提亲遭拒及王娡许诺刘彻娶陈氏, 时间: (在刘荣被立为太子之后), 人物: [馆陶公主刘嫖, 栗姬, 王娡, 刘彻, 陈氏] }, { 事件: 薄皇后被废黜, 时间: 前151年, 人物: [薄皇后, 汉景帝刘启] }, { 事件: 大行令受王娡指使奏请立栗姬为皇后后被处死, 时间: 前150年前期, 人物: [大行令, 王娡, 栗姬, 汉景帝刘启] }, { 事件: 刘荣被废为临江王, 时间: 前150年正月, 人物: [刘荣, 汉景帝刘启] }, { 事件: 王娡被立为皇后, 时间: 前150年四月十七日, 人物: [王娡, 汉景帝刘启] }, { 事件: 刘彻被立为皇太子, 时间: 前150年四月二十五日, 人物: [刘彻, 汉景帝刘启] }, { 事件: 卫绾、王臧分别被任命为太子太傅和太子少傅, 时间: (刘彻成为储君后具体时间未给出), 人物: [刘彻, 卫绾, 王臧, 汉景帝刘启] }, { 事件: 刘彻行冠礼, 时间: 前141年正月十七日, 人物: [刘彻] }, { 事件: 汉景帝刘启驾崩刘彻继位, 时间: 前141年正月二十七日后十天, 人物: [汉景帝刘启, 刘彻] } ] 解读 信息抽取的相当全面了。如果以他的输出作为标准答案的话估计想很多人在回答这个问题时分数超不过50分。其中的时间信息并非我们标准意义上的时间格式需要进行二次的处理转换才能实现时间格式的标准化。这个有一定的难度本次实验我们就不演示如何转换了。事件相关人物
