RELRaE: LLM-Based Relationship Extraction, Labelling, Refinement, and Evaluation
Created by
Haebom
저자
George Hannah, Jacopo de Berardinis, Terry R. Payne, Valentina Tamma, Andrew Mitchell, Ellen Piercy, Ewan Johnson, Andrew Ng, Harry Rostron, Boris Konev
개요
본 논문은 실험실 로봇 실험에서 생성되는 대량의 XML 데이터를 지식 그래프로 변환하는 과정에서 XML 스키마를 온톨로지 스키마의 기초를 마련하기 위해 풍부하게 하는 방법을 제시한다. 이를 위해, XML 스키마에 암묵적으로 존재하는 관계를 추출하고 정확하게 라벨링하는 데 대규모 언어 모델(LLM)을 다양한 단계에서 활용하는 RELRaE 프레임워크를 제안한다. LLM이 관계 라벨을 정확하게 생성하는 능력을 조사하고 평가하여, LLM이 실험실 자동화 환경에서 관계 라벨 생성을 효과적으로 지원하고, 더 일반적으로 반자동 온톨로지 생성 프레임워크에서 중요한 역할을 수행할 수 있음을 보여준다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 XML 스키마의 관계를 추출하고 라벨링하는 효과적인 방법을 제시.
◦
실험실 자동화 환경에서 데이터 상호 운용성을 향상시키는 데 기여.
◦
반자동 온톨로지 생성 프레임워크의 효율성 증대에 기여.
◦
LLM의 온톨로지 생성 분야 적용 가능성을 제시.
•
한계점:
◦
RELRaE 프레임워크의 성능 평가에 대한 자세한 정보 부족 (구체적인 지표, 데이터셋 등).
◦
다양한 유형의 XML 데이터 및 실험실 환경에 대한 일반화 가능성에 대한 추가 연구 필요.
