LDComKG: un marco de doble mejora impulsado por LLM para la finalización de grafos de conocimiento conscientes de la...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial
• Humanidades Digitales

Sus antecedentes:

• Los textos de medicina china antigua poseen una semántica y terminología complejas, lo que dificulta la construcción de grafos de conocimiento (KG).
• Los métodos tradicionales luchan con las complejidades de los corpus médicos históricos, lo que limita el desarrollo de KG.
• Los modelos de lenguaje grandes (LLM) ofrecen nuevas capacidades para extraer conocimiento de estos textos desafiantes.

Objetivo del estudio:

• Desarrollar un marco eficiente y eficaz para la construcción de grafos de conocimiento a partir de corpus de medicina china antigua.
• Aprovechar los LLM para la extracción automatizada de entidades y relaciones, reduciendo el esfuerzo manual.
• Mejorar la finalización de KG y la predicción de enlaces utilizando algoritmos de grafos.

Principales métodos:

• Se propuso LDComKG, un marco de doble mejora impulsado por LLM para la construcción de KG.
• Se utilizaron LLM para la autogeneración inteligente de datos de grafos a partir de fragmentos de texto jerárquicos.
• Se integró el algoritmo de Leiden para la detección de comunidades y GraphSAGE para el aprendizaje de representaciones de nodos.

Principales resultados:

• LDComKG superó significativamente a los modelos de referencia en experimentos con conjuntos de datos de medicina antigua anotados.
• Logró altas métricas de rendimiento, con GPT-4o arrojando Precisión: 95,94%, Puntuación F1: 95,07% y AUC: 97,72%.
• Demostró robustez y escalabilidad a través de comparaciones con métodos de fusión LLM-KG de última generación.

Conclusiones:

• El marco LDComKG integra eficazmente LLM y algoritmos de grafos para corpus médicos complejos.
• Se logró una alta precisión en la predicción de enlaces y la finalización de KG, creando grafos de conocimiento de alta calidad de Medicina Tradicional China (MTC).
• Destaca el potencial de los LLM en el descubrimiento de conocimiento en el cuidado de la salud y los sistemas de información inteligentes de MTC.