AgREE: Агентное рассуждение для завершения графа знаний о возникающих сущностях

В документе представлена ​​AgREE (Agentic Reasoning for Emerging Entities) — новая агентно-ориентированная структура, разработанная для решения задач в области завершения графов знаний в открытой предметной области (KGC), особенно для постоянно появляющихся сущностей. Существующие методы KGC часто не позволяют получить исчерпывающую и актуальную информацию о новых сущностях из-за опоры на статические параметрические знания, предварительно сформированные запросы или одношаговый поиск. AgREE преодолевает эти ограничения, сочетая итеративные действия поиска с многошаговым рассуждением, динамически создавая богатые триплеты графов знаний без предварительного обучения. Этот агентно-ориентированный подход стратегически использует инструменты для исследования сети, самоанализа и планирования, тем самым создавая подграфы, ориентированные на сущности, посредством стратегического поиска информации. Экспериментальные результаты показывают, что AgREE значительно превосходит предыдущие методы, достигая улучшения до 13,7% и даже 45,3% на наборах данных с появляющимися сущностями. Кроме того, в статье предлагается новая методология оценки hits@N на основе отношений для более справедливой оценки производительности KGC и представлен новый эталонный набор данных для новых сущностей. Эта работа подчеркивает эффективность интеграции агентного рассуждения со стратегическим поиском информации для поддержания актуальных графов знаний в динамических информационных средах.

#ГрафыЗнаний #KGC #АгентныйИИ #НовыеОбъекты #ПоискИнформации #LLM #AIResearch #NLP #МашинноеОбучение #ДинамическиеЗнания #apple

статья - https://arxiv.org/pdf/2508.04118
подписка - https://t.me/arxivpaper
пожертвования:
USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7
BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr
ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7
SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e
создано с помощью NotebookLM