PulseAugur
中
实时 07:13:10
English(EN) KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text

新框架KGCQual为知识图谱提供可解释的评估

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出KGCQual，一个旨在评估从文本构建的知识图谱质量的新框架。这个可解释的指标评估实体级别的完整性和关系级别的语义保持性，超越了现有的特定任务或手动验证方法。KGCQual已在多个最先进的三元组提取系统和数据集上进行了测试，显示出其检测其他指标遗漏的遗漏和结构偏差的能力。该框架旨在提供一种标准化和可扩展的方法来比较自动知识图谱构建技术。 AI

影响 为评估自动生成的知识图谱质量提供了一种更强大的方法，有可能改进下游AI应用。

排序理由 该集群包含一篇学术论文，详细介绍了用于评估知识图谱构建质量的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架KGCQual为知识图谱提供可解释的评估

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Nipun Misra, Vikranth Udandarao, Aanchal Gupta, Yogender Kumar, Manuj Mukherjee, Raghava Mutharaju ·

    KGCQual: 一种评估文本知识图谱构建质量的可解释框架

    arXiv:2607.10212v1 Announce Type: new Abstract: Knowledge Graphs (KGs) are increasingly constructed through automated extraction pipelines; however, such systems often introduce spurious or incomplete triples, which degrade downstream performance. Existing evaluation practices re…

相关实体

相关话题