检测文本、表格和知识图之间的知识不一致

维基百科和维基数据广泛用于信息访问、LLM 预训练 和检索增强生成。他们的知识紧密相连，但分散在文本、表格和知识图谱中。这就提出了一个实际问题：当这些模式不一致时，我们如何发现并解释冲突？我们将这个问题作为模态级不一致检测来研究。我们首先介绍跨模态知识不一致的分类，涵盖信息粒度差异、直接冲突、时间变化和知识图谱不完整性。然后，我们提出 Kontrast，这是一个自动框架，它使用 Text-to-SPARQL 和 LLM 推理来将基于表格的答案与 KG 证据进行比较，并对由此产生的不一致进行分类。对各种 Table-QA 数据集的实验表明，跨模式不一致是常见的且信息丰富。它们不仅揭示了真正的知识冲突，而且还揭示了知识图谱结构缺失和时间不匹配，同时受到文本到 SPARQL 错误和噪声的限制。我们的分析表明，文本、表格和知识图谱可以通过系统比较相互补充和纠正。 Kontrast为大规模知识审计提供了实用工具，并为未来跨模态知识一致性工作建立了基准。代码和数据可在 https://github.com/ECLADATTA/KONTRAST 获取。