文章指出，在以前的方法中，使用LLM生成三元组时，必须预定义好schema，假如schema数量很多/复杂，很容易超过LLM的上下文窗口长度。并且，在某些情况下，没有可用的固定预定义schema。

方法

一、EDC框架

提出了一个名为提取-定义-规范化（EDC）的三阶段框架：先进行开放信息提取，然后定义schema，最后进行规范化。解决知识图谱构建问题。

1.开放信息提取（Open Information Extraction）：
利用LLMs进行开放信息提取，通过少量的提示，LLMs从输入文本中识别并提取关系三元组（[主体, 关系, 对象]），不依赖于任何特定Schema。

OIE Prompt示例：

Given a piece of text, extract relational triplets in
the form of [Subject, Relation, Object] from it.
Here are some examples:
Example 1:
Text: The 17068.8 millimeter long ALCO RS-3
has a diesel-electric transmission.
Triplets: [[‘ALCO RS-3’, ‘powerType’, ‘Dieselelectric transmission’], [‘ALCO RS-3’, ‘length’,
‘17068.8 (millimetres)’]] ...
Now please extract triplets from the following
text: Alan Shepard was born on Nov 18, 1923
and selected by NASA in 1959. He was a member of the Apollo 14 crew.

提取的三元组：[‘Alan Shepard’, ‘bornOn’, ‘Nov 18, 1923’], [‘Alan Shepard’, ‘participatedIn’, ‘Apollo 14’]

2.Schema定义（Schema Definition）：
提示LLMs为提取的Schema组件（如实体类型和关系类型）提供自然语言定义。然后将这些定义作为用于规范化的辅助信息传递到下一阶段。

Schema Definition Prompt示例：

Given a piece of text and a list of relational triplets
extracted from it, write a definition for each relation present.
Example 1:
Text: The 17068.8 millimeter long ALCO RS-3
has a diesel-electric transmission.
Triplets: [[‘ALCO RS-3’, ‘powerType’, ‘Dieselelectric transmission’], [‘ALCO RS-3’, ‘length’,
‘17068.8 (millimetres)’]]
Definitions:
powerType: The subject entity uses the type of
power or energy source specified by the object
entity.
...
Now write a definition for each relation present
in the triplets extracted from the following text:
Text: Alan Shepard was an American who was
born on Nov 18, 1923 in New Hampshire, was
selected by NASA in 1959, was a member of the
Apollo 14 crew and died in California
Triplets: [[‘Alan Shepard’, ‘bornOn’, ‘Nov 18,
1923’], [‘Alan Shepard’, ‘participatedIn’, ‘Apollo14’]]

结果： (bornOn: The subject entity was born on
the date specified by the object entity.) and
(participatedIn: The subject entity took part in
the event or mission specified by the object
entity.)

3.Schema标准化（Schema Canonicalization）：
第三阶段将开放知识库（KG）精炼成规范化的形式，消除冗余和歧义。首先使用句子变换器对每个schema组件的定义进行向量化，创建嵌入。然后根据目标Schema的可用性，规范化以两种方式之一进行：

• 目标对齐（Target Alignment）：如果有预定义的目标Schema，识别目标Schema中与每个元素最相关的组件进行标准化。LLMs评估每个潜在转换的可行性，以确保不会过度泛化。
• 自我标准化（Self Canonicalization）：如果没有预定义的目标Schema，目标是合并语义相似(向量相似性)的组件，并将它们标准化为一个单一表示。通过向量和LLM验证来搜索潜在的合并候选者。与目标对齐不同，认为不可转换的组件被添加到规范Schema中，从而扩展它。

Schema Canonicalization提示示例：

Given a piece of text, a relational triplet extracted
from it, and the definition of the relation in it,
choose the most appropriate relation to replace it
in this context if there is any.
Text: Alan Shepard was born on Nov 18, 1923
and selected by NASA in 1959. He was a member
of the Apollo 14 crew.
Triplets: [‘Alan Shepard’, ‘participatedIn’,
‘Apollo 14’]
Definition of ‘participatedIn’: The subject entitytook part in the event or mission specified by the
object entity.
Choices:
A. ‘mission’: The subject entity participated in
the event or operation specified by the object entity.
B. ‘season’: The subject entity participated in the
season of a series specified by the object entity.
...
F. None of the above

结果：[‘Alan Shepard’, ‘birthDate’, ‘Nov 18, 1923’],[‘Alan Shepard’, ‘mission’, ‘Apollo 14’]，构成了规范化的知识图谱。

二、EDC+R：迭代使用Schema检索器精炼EDC

EDC+R 是对 EDC 的改进，通过引入一个额外的迭代步骤来进一步提升知识图谱的质量。这个过程类似于RAG，通过在初始提取阶段的提示（prompt）中提供先前提取的三元组和相关Schema部分来实现。目标是利用从 EDC 过程中产生的数据来提高提取三元组的质量。

精炼过程由以下两个主要元素组成：

• 候选实体：这是之前迭代中由 EDC 提取的实体，以及使用 LLM 从文本中提取的实体。
• 候选关系：这是之前由 EDC 提取的关系，以及通过训练有素的 Schema Retriever 从预定义/规范化的Schema中检索到的关系。

Schema Retriever 的作用：Schema Retriever是可以训练的，Schema Retriever 通过将Schema组件和输入文本投影到向量空间中，使得余弦相似度能够捕捉二者之间的相关性，即Schema组件在输入文本中出现的概率。

训练数据集由文本和它们对应的定义关系对组成。微调的是一个嵌入模型，目标是区分与给定文本相关联的正确关系和其他不相关的关系。

参考文献

• paper：Extract, Define, Canonicalize: An LLM-based Framework for Knowledge Graph Construction，https://arxiv.org/pdf/2404.03868v2
• code：https://github.com/clear-nus/edc