Automated Construction of FAIR Digital Object Knowledge Graphs from Flat Cultural Heritage Records
作者: Zeyd Boukhers, Lingxiao Kong, Xenophon Zabulis, Georgios Toubekis
分类: cs.AI, cs.CL, cs.DL
发布日期: 2026-08-24
备注: Accepted for publication as a short paper at CIKM 2026 (The 35th ACM International Conference on Information and Knowledge Management)
💡 一句话要点
提出自动化构建FAIR数字对象知识图谱的方法以解决文化遗产记录的整合问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: FAIR数字对象 知识图谱 文化遗产 大型语言模型 自动化处理 CIDOC-CRM 元数据链接
📋 核心要点
- 现有的欧洲文化遗产数据模型以纯文本存储元数据，无法满足FAIR数字对象框架的要求，导致自动化处理困难。
- 本文提出了一种管道，通过大型语言模型自动化地将平面记录转化为符合FAIR标准的知识图谱，确保每个实体都有PID和类型。
- 实验结果显示，该管道成功链接了86%的元数据槽，并解决了58.5%未被丰富的值，显示出显著的提升效果。
📝 摘要（中文）
FAIR数字对象（FDO）框架要求尽可能使用持久标识符（PID）表达元数据属性值，以生成可完全机器操作的图谱。然而，欧洲文化遗产数据模型在FDO规范之前设计，主要以纯文本存储元数据，虽然适合人类浏览，但对自动化代理无效。本文提出了一种将平面欧洲文化遗产记录转化为符合FDO的知识图谱的管道，采用CIDOC-CRM结构。我们将每个遗产实体建模为独立的FDO，具备PID、类型、配置文件和元数据层。核心技术挑战在于自动区分必须成为PID引用的值和可以保留为字面值的值。我们利用大型语言模型对每个元数据值进行分类，并将其链接到共享实体FDO。通过对637条考古记录的评估，管道链接了86%的元数据槽，解决了58.5%未被丰富的值。
🔬 方法详解
问题定义：本文旨在解决现有欧洲文化遗产数据模型无法满足FAIR数字对象框架要求的问题，尤其是在元数据处理的自动化方面。现有方法主要依赖于纯文本，缺乏持久标识符（PID），使得自动化代理无法有效操作。
核心思路：论文提出的核心思路是利用大型语言模型对元数据进行分类，并将其链接到受控词汇表，从而自动化地将平面记录转化为符合FDO标准的知识图谱。通过这种方式，确保每个遗产实体都能被唯一标识和解析。
技术框架：整体架构包括数据输入、元数据分类、链接到受控词汇表、生成FDO知识图谱等主要模块。首先，输入的平面记录经过大型语言模型处理，分类后与受控词汇表（如Getty AAT、Wikidata等）进行链接，最终生成结构化的知识图谱。
关键创新：最重要的技术创新在于使用大型语言模型自动区分需要成为PID引用的值和可以保留为字面值的值。这一方法显著提高了元数据的自动化处理能力，与传统的手动处理方法相比，效率更高且准确性更强。
关键设计：在设计过程中，关键参数包括大型语言模型的训练数据和分类标准，损失函数用于优化分类准确性。此外，网络结构采用了适合处理文本数据的深度学习架构，以提高处理速度和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的管道成功链接了86%的元数据槽，并解决了58.5%未被丰富的值，显示出显著的提升。特别是在跨语言表述的合并方面，17个合并结果中有33个经过人工审核确认是正确的，表明该方法在处理多语言数据时的有效性。
🎯 应用场景
该研究的潜在应用领域包括文化遗产管理、数字博物馆建设和学术研究等。通过自动化构建FAIR数字对象知识图谱，可以提高文化遗产数据的可访问性和可操作性，促进跨领域的知识共享与合作。未来，该方法有望在更广泛的领域中推广应用，推动数字人文研究的发展。
📄 摘要（原文）
The FAIR Digital Object (FDO) framework mandates that metadata attribute values be expressed as persistent identifiers (PIDs) wherever possible, to produce a fully machine-actionable graph in which every reference is resolvable. The Europeana Data Model was designed long before the FDO specification, and it stores most metadata values as plain text. This serves human browsing well enough, but gives an automated agent nothing to follow across records or collections. We present a pipeline that transforms flat Europeana records into an FDO-compliant knowledge graph structured with CIDOC-CRM. Following the FDO specification, we model every heritage entity as a discrete FDO with its own PID, type, profile, and metadata layer. The core technical challenge is automating the FDO-prescribed distinction between values that must become PID references (resolvable entities) and those that may remain literals (terminal leaves such as notes, measurements, and dates). We address this with a large language model that classifies each metadata value, routes it to a controlled vocabulary (Getty AAT, Wikidata, VIAF, PeriodO), and links it to a shared entity FDO. We evaluate using 637 archaeological records from five Europeana providers, processing each with the LLM. The pipeline links 86% of metadata slots, resolving 58.5% of values Europeana had not already enriched. It also merges cross-lingual surface forms that byte-identical matching keeps apart, where 17 of 33 such merges are correct on manual review. Graph connectivity does not separate this from string matching; what distinguishes the FDO graph is that every node is typed and resolvable.