超越预定义模式：用于上下文丰富的知识图生成的 TRACE-KG

知识图生成通常依赖于预定义的本体或无模式提取。本体驱动的管道强制执行一致的类型，但需要昂贵的模式设计和维护，而无模式方法通常会生成全局组织薄弱的碎片图，特别是在具有密集的上下文相关信息的长技术文档中。我们提出了 \textbf{TRACE-KG} (\textbf{T}ext-d\textbf{R}iven schem\textbf{A} for \textbf{C}ontext-\textbf{E}nriched \textbf{K}nowledge \textbf{G}raphs)，这是一个在不假设预定义本体的情况下联合构建上下文丰富的知识图谱和归纳模式的框架。 TRACE-KG 通过结构化限定符捕获条件关系，并使用数据驱动模式组织实体和关系，该模式充当可重用的语义支架，同时保留对源证据的完全可追溯性。实验表明，TRACE-KG 生成结构连贯、可追溯的知识图，并为本体驱动和无模式构建管道提供了实用的替代方案。