[目的/意义]科技文献复杂知识对象对科技文献中的深度知识内容进行细粒度、全面的知识表示,可有效支撑数智驱动的科学发现与知识发现,是重要的科技创新要素。[方法/过程]首先,通过轻量级本体构建、BRAT知识标注和Neo4j知识存储等步骤实...[目的/意义]科技文献复杂知识对象对科技文献中的深度知识内容进行细粒度、全面的知识表示,可有效支撑数智驱动的科学发现与知识发现,是重要的科技创新要素。[方法/过程]首先,通过轻量级本体构建、BRAT知识标注和Neo4j知识存储等步骤实现领域知识图谱构建,其次,本地化部署大语言模型ChatGLM2-6B并通过低秩适应(Low-Rank Adaptation,LoRA)技术微调模型,最后基于思维记忆(Memory of Thoughts,MOT)机制将知识图谱中的复杂知识注入提示中,通过与大语言模型的多轮问答从科技文献中抽取出复杂知识对象。[结果/结论]以有机太阳能电池(Organic Solar Cells,OSC)为例验证方法的有效性,结果表明融合知识图谱与大语言模型的抽取方法优于大语言模型单独支撑的抽取方法,在准确率P、召回率R和F1值3个指标上分别提升14.1%、10.3%和12.3%。知识图谱能够增强大语言模型对科技文献的复杂知识对象抽取能力,提升OSC领域的科技文献挖掘效率与准确性。展开更多
随着信息技术的迅猛发展,大语言模型(Large Language Models,LLMs)在近年来取得了突破性进展,成为推动知识组织与应用领域变革的重要力量。大语言模型凭借其强大的自然语言处理能力,不仅在文本生成、语义理解、知识抽取等方面表现出色,...随着信息技术的迅猛发展,大语言模型(Large Language Models,LLMs)在近年来取得了突破性进展,成为推动知识组织与应用领域变革的重要力量。大语言模型凭借其强大的自然语言处理能力,不仅在文本生成、语义理解、知识抽取等方面表现出色,还为知识组织的自动化和智能化提供了新的可能性。这一技术的进步,极大地提升了知识管理的效率,推动了人机交互式知识组织的发展,为图书情报领域带来了前所未有的机遇与挑战。展开更多
文摘[目的/意义]科技文献复杂知识对象对科技文献中的深度知识内容进行细粒度、全面的知识表示,可有效支撑数智驱动的科学发现与知识发现,是重要的科技创新要素。[方法/过程]首先,通过轻量级本体构建、BRAT知识标注和Neo4j知识存储等步骤实现领域知识图谱构建,其次,本地化部署大语言模型ChatGLM2-6B并通过低秩适应(Low-Rank Adaptation,LoRA)技术微调模型,最后基于思维记忆(Memory of Thoughts,MOT)机制将知识图谱中的复杂知识注入提示中,通过与大语言模型的多轮问答从科技文献中抽取出复杂知识对象。[结果/结论]以有机太阳能电池(Organic Solar Cells,OSC)为例验证方法的有效性,结果表明融合知识图谱与大语言模型的抽取方法优于大语言模型单独支撑的抽取方法,在准确率P、召回率R和F1值3个指标上分别提升14.1%、10.3%和12.3%。知识图谱能够增强大语言模型对科技文献的复杂知识对象抽取能力,提升OSC领域的科技文献挖掘效率与准确性。
文摘随着信息技术的迅猛发展,大语言模型(Large Language Models,LLMs)在近年来取得了突破性进展,成为推动知识组织与应用领域变革的重要力量。大语言模型凭借其强大的自然语言处理能力,不仅在文本生成、语义理解、知识抽取等方面表现出色,还为知识组织的自动化和智能化提供了新的可能性。这一技术的进步,极大地提升了知识管理的效率,推动了人机交互式知识组织的发展,为图书情报领域带来了前所未有的机遇与挑战。
