论文浅尝 | UrbanKGent：基于大模型智能体的城市知识图谱构建框架（NeurIPS2024）

主要观点总结

本文介绍了浙江大学博士郭凌冰关于城市知识图谱构建的研究。针对城市知识图谱构建（UrbanKGC）目前严重依赖于人力工作的问题，提出了基于大模型智能体的UrbanKGent框架，用于高效完成UrbanKGC任务。通过全面评估，UrbanKGent家族不仅优于31个对比方法，而且在成本较低的情况下也提高了超过10%的性能。主要贡献包括新颖高效的UrbanKG构架框架、增强迭代推理轨迹模块及混合微调模块等。文章还描述了面临的挑战和实验方法，并给出了数据集统计和实验结果。最后，总结了UrbanKGent的优势和未来的研究方向。

关键观点总结

关键观点1: 研究背景

城市知识图谱已成为新兴的数据集成模块，但构建过程仍严重依赖人力，阻碍了其发展潜力。

关键观点2: 研究方法

提出了基于大模型智能体的UrbanKGent框架，包括知识指令集、工具增强迭代推理轨迹模块和混合指导微调。

关键观点3: 实验与结果

在真实世界数据集上进行实验，结果显示UrbanKGent家族在UrbanKGC任务中优于其他模型，并且成本低约20倍。

关键观点4: 主要贡献

提出了新颖的UrbanKG构架框架、增强迭代推理轨迹模块和混合微调模块，提高了大模型智能体在构建城市知识图谱时的推理能力和地理空间信息感知能力。

关键观点5: 挑战与未来研究

面临如何适应城市知识图谱构建的挑战，如何提高LLMs的UrbanKGC能力，以及改进地理空间计算和推理能力等方面的挑战。未来的研究方向包括优化大模型智能体的性能，扩大应用范围等。

文章预览

笔记整理：郭凌冰，浙江大学博士，研究方向为知识图谱表示学习 论文链接：https://arxiv.org/abs/2402.06861 发表会议：NeurIPS 2024 1. 动机 城市知识图谱已经成为一种新兴的数据集成模块，用于从多源城市数据中提炼关键知识，服务于不同城市应用场景。尽管前景巨大，但城市知识图谱构建（ UrbanKGC ）目前仍严重依赖于人力工作，严重阻碍了其潜在发展。本文提出的 UrbanKGent ，是一个统一的大型语言模型智能体框架，专用于城市知识图构建。具体来说， UrbanKGent 首先了知识指令集，其能够利用异构性感知和地理空间注入以高效完成 UrbanKGC 任务，如关系三元组提取和知识图谱补全。之后， UrbanKGent 利用工具增强迭代推理轨迹模块，以增强和改进从 GPT-4 中提炼出的推理轨迹。最后，通过在 Llama 2 和 Llama 3 等开源大模型家族上使用增强后的推理轨迹数据进行 ………………………………