ExKG-LLM: Leveraging Large Language Models for Automated Expansion of Cognitive Neuroscience Knowledge Graphs
作者: Ali Sarabadani, Kheirolah Rahsepar Fard, Hamid Dalvand
发布时间: 2025-03-11
来源: arxiv
研究方向: 认知神经科学知识图谱自动扩展
主要内容
本文提出了一种名为ExKG-LLM的框架，旨在利用大型语言模型（LLM）自动扩展认知神经科学知识图谱（CNKG）。该框架通过从科学论文和临床报告中提取知识，提高CNKG的准确性、完整性和实用性。
主要贡献
1. 提出了ExKG-LLM框架，利用LLM自动扩展CNKG。
2. 显著提高了CNKG的精度、召回率和F1分数。
3. 增加了节点和边的数量，提高了图谱的密度。
4. 分析了复杂网络特征，如平均聚类系数和直径。
5. 提高了时间复杂度，但空间复杂度有所增加。
6. 提高了知识图谱的适用性，使其可用于其他科学领域。
研究方法
1. 收集和预处理认知神经科学数据。
2. 使用LLM提取和合并新的实体和关系。
3. 利用概率链接预测来推断实体之间的关系。
4. 评估了知识图谱的精度、完整性和性能。
5. 分析了复杂网络特征，如平均聚类系数和直径。
实验结果
ExKG-LLM在精度、召回率和F1分数方面均取得了显著提高。节点和边的数量也有所增加，但图谱的密度略有下降。时间复杂度从O(n^2)优化为O(nlogn)，但空间复杂度从O(n)增加到O(n^2)。
未来工作
未来工作将集中于提高知识图谱的一致性、减少冲突率、优化空间复杂度、改进链接预测算法、提高可扩展性，并探索知识图谱在更多科学领域的应用。