从信息抽取到受治理的记忆：结合领域专家审查的多智能体知识图谱构建

代理系统使用的知识图通常被视为提取的三元组的平面存储，几乎没有记录谁拥有一个事实、为什么承认该事实，或者应该如何在下游使用它。我们认为，可靠的代理知识系统需要治理作为图构建的重要组成部分，以弥合这一差距。我们提出了 MAGG，一个用于构建治理知识图的原则性多代理框架，它引入了明确的治理决策以实现可靠且值得信赖的知识共享。域分类器首先直接从文档内容中归纳实体和关系类型，从而能够在没有固定模式的开放世界设置中进行操作。候选三元组被分配给域所有者，根据支持证据进行审查，通过治理决策予以承认，并与审计元数据一起存储。在问答过程中重复使用相同的所有权结构，其中查询被路由到特定领域的图专家，而不是通过无差别的检索来回答。我们的评估证明了 MAGG 的有效性：在 SciERC 上，与平面插入相比，MAGG 将严格三重 F1 提高了 47%，将映射三重 F1 提高了 51%。对 120 个三元组进行盲审后发现，仅受管理的三元组比仅扁平的三元组更常受源支持，并且在 100% 的情况下都支持修订后的三元组。最后，在 MuSiQue 上，MAGG 比 Microsoft GraphRAG 多出 9.0 个精确匹配点和 11.2 个 token-F1 点。