PRISM-BN：文本到参数化贝叶斯网络提取的受控语料库和基准

概率图形模型 (PGM)，尤其是贝叶斯网络 (BN)，公开了有向结构和概率参数，使它们成为神经符号人工智能的自然符号目标。然而，训练文本到参数化 BN 系统需要成对的文本到 BN 资源，而这在规模上是不可用的。我们引入了 PRISM-BN，这是一个由 5054 个基于 BN 的描述组成的受控语料库，与包含变量、状态、有向边、根先验和跨五个域的完整多父 CPD 的离散参考 BN 配对。这些实例源自 50 个维基百科种子骨干网，它们的概率是内部构建的基准目标，而不是外部验证的因果估计。 PRISM-BN 使用 PRISM 构建，PRISM 是一种边缘优先管道，可得出边缘和局部联合分布、分析恢复归一化 CPD 并构造局部重新参数化子图。我们定义了一个具有语义节点和状态对齐、条件结构评分和严格的全 CPD 评估的基准。在六个 LLM 提取器中，节点 F1 的范围为 0.56 至 0.83，条件边缘 F1 的范围为 0.90 至 0.97，CPD-KL 的范围为 1.11 至 3.14。条件状态和边缘恢复始终保持强劲，而严格的完整 CPD 协议仍然具有挑战性。这些趋势在独立生成的 GPT-5.5 参考文献中持续存在，并且一名人类飞行员证实了结构可恢复性和类似的概率解释。 PRISM-BN 支持结构恢复和概率参数估计的单独评估。