DIAL-KG: Neuer Ansatz für inkrementelle Wissensgraphen ohne festes Schema

Wissensgraphen (KGs) bilden die Grundlage für moderne Anwendungen wie Suchmaschinen, Frage‑Antwort‑Systeme und Empfehlungssysteme. Traditionelle Methoden zur Erstellung von KGs sind jedoch meist statisch und basieren auf einem einmaligen Durchlauf eines festen Korpus mit einem vorgegebenen Schema. Diese Vorgehensweise ist in dynamischen Umgebungen unpraktisch, weil jede neue Information eine komplette und kostenintensive Rekonstruktion des Graphen erfordert. Zudem schränkt ein festes Schema die Flexibilität bei der Wissensaufnahme ein.

Um diese Schwächen zu überwinden, präsentiert das neue Forschungsprojekt DIAL‑KG ein geschlossener Rahmen für die inkrementelle Konstruktion von Wissensgraphen, gesteuert durch eine Meta‑Knowledge‑Base (MKB). Der Ansatz arbeitet in einem dreistufigen Zyklus: Erstens erfolgt die Dual‑Track‑Extraktion, die durch Standard‑Triple‑Generierung Vollständigkeit gewährleistet und bei komplexen Informationen auf Ereigniserkennung umschaltet. Zweitens sorgt die Governance‑Adjudikation dafür, dass extrahierte Fakten akkurat und aktuell bleiben, wodurch Halluzinationen und Wissensveraltung vermieden werden. Drittens wird das Schema dynamisch weiterentwickelt: Validierte Fakten induzieren neue Schema‑Strukturen, die anschließend die nächsten Extraktionszyklen leiten und das bestehende KG schrittweise erweitern.

Umfangreiche Experimente zeigen, dass DIAL‑KG die aktuelle Spitzenleistung (SOTA) sowohl bei der Qualität des erstellten Graphen als auch bei der Induktion von Schemas übertrifft. Der Ansatz demonstriert, dass ein kontinuierlicher, selbstregulierender Prozess die Effizienz und Aktualität von Wissensgraphen erheblich steigern kann, ohne auf vorgefertigte Strukturen angewiesen zu sein.