Automated Tree Knowledge Graph Construction using Ontology Expansion and Retrieval from Vietnamese History Textbooks

📄 arXiv: 2609.00763v1 📥 PDF

作者: Ket Doan Nguyen, Minh N. H. Nguyen

分类: cs.AI

发布日期: 2026-09-01

💡 一句话要点

提出基于本体扩展的自动化树知识图谱构建方法以解决越南语低资源问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 本体扩展 越南语 层次结构 关系提取 检索策略 自然语言处理 教育技术

📋 核心要点

  1. 现有方法缺乏针对低资源语言（如越南语）的自动知识图谱构建方法，且缺乏系统评估层次结构的知识检索策略。
  2. 本文提出了一种三阶段混合关系提取管道，结合了文档结构的保留和本体的控制增长，以实现知识图谱的自动构建。
  3. 实验结果显示，自上而下的图遍历策略在NDCG@10上超越了基线，表明树结构信息在某些查询中提供了更有价值的信息。

📝 摘要（中文）

基于层次知识图谱的检索增强生成（RAG）已成为支持大型语言模型的有效方法。然而，现有方法在自动构建知识图谱方面存在挑战，尤其是对于低资源语言如越南语。本文提出了一种端到端的知识图谱构建和检索策略评估管道，采用三阶段混合关系提取流程，并在越南高中历史教材中构建了树知识图谱，生成了750个节点和4341条语义边。实验表明，基于结构的自上而下策略在NDCG@10上超越了向量基线4.7个百分点。

🔬 方法详解

问题定义：本文旨在解决低资源语言（如越南语）知识图谱自动构建的缺乏方法和层次结构知识检索策略评估的不足。现有方法在这些领域存在明显的挑战。

核心思路：论文提出了一种端到端的知识图谱构建管道，采用三阶段混合关系提取流程，旨在通过本体扩展实现知识图谱的自动构建，同时评估不同的检索策略。

技术框架：整体架构包括三大模块：1) 关系提取，使用Union-Find进行批内去重，进行近似跨批搜索；2) LLM提取，结合质心过滤器和双LLM验证器以防止本体膨胀；3) 检索评估，采用自上而下、水平和自下而上的图遍历策略。

关键创新：最重要的创新在于提出了三阶段混合关系提取流程和双LLM验证器，这与现有方法的单一提取方式有本质区别，能够有效控制本体的增长。

关键设计：在关系提取过程中，采用了质心过滤器来减少提示，并设计了五步双LLM验证器以确保本体的精简和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，自上而下的图遍历策略在NDCG@10上超越了向量基线4.7个百分点，表明树结构信息在特定查询中提供了显著的性能提升。这一发现强调了结构化信息在知识检索中的重要性。

🎯 应用场景

该研究的潜在应用领域包括教育、知识管理和信息检索等。通过构建越南历史教材的知识图谱，可以为教育工作者和学生提供更丰富的学习资源，同时也为越南语的自然语言处理提供基础支持，推动相关技术的发展。

📄 摘要（原文）

Hierarchical Knowledge graph (KG)-based retrieval augmented generation (RAG) has emerged as a powerful approach for supporting large language models with structured knowledge. However, there are primary challenges: (i) the lack of methods for automatic KG construction using ontology expansion for low-resource languages such as Vietnamese, (ii) the absence of systematic evaluation for knowledge retrieval strategies leveraging the hierarchical structures. In this paper, we propose an end-to-end pipeline for KG construction and retrieval strategies evaluation. In the KG construction, we employ a three-phase hybrid relation extraction pipeline: intra-batch deduplication via Union-Find, approximate cross-batch search, and LLM extraction with a centroid filter that reduces prompts combined with a five-step dual-LLM validator to prevent bloated ontology. A two-tier architecture consists of unmergeable structural nodes to preserve the document structure and mergeable content nodes. The retrieval evaluation consists of three graph traversal strategies: Top-Down, Horizontal, and Bottom-Up, which are evaluated on a synthetically generated benchmark of 1,210 Vietnamese queries from 109 subgraphs, categorized by five query directions. In this paper, we construct the tree knowledge graph from Vietnamese high school History textbooks (nearly 400 pages) to produce 750 nodes and 4,341 semantic edges with controlled ontology growth from 40 to 41 types. Among experimental graph traversal strategies, the Top-Down strategy with structure surpasses the vector baseline by 4.7 percentage points in NDCG@10. As a result, tree-structural information provides valuable information beyond flat cosine similarity but degrades performance when the query does not require structural context.