GPTKB 2.0: Direct Construction of Disambiguated Knowledge Bases from Large Language Models

📄 arXiv: 2608.03729v1 📥 PDF

作者: Yujia Hu, Tuan-Phong Nguyen, Simon Razniewski

分类: cs.CL, cs.AI, cs.DB

发布日期: 2026-08-04

备注: 19 pages, 4 figures

💡 一句话要点

提出GPTKB 2.0以解决知识库构建中的歧义问题

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

关键词: 知识库构建 消歧义 大型语言模型 自然语言处理 自动化知识库

📋 核心要点

  1. 现有方法在从大型语言模型生成知识库时，缺乏实体表示，导致重复和混淆问题。
  2. GPTKB 2.0通过实时消歧实体、关系和类别，提供了一种新的知识库构建方法，提升了准确性和可扩展性。
  3. 实验结果显示，GPTKB 2.0成功构建了超过100万消歧实体和3840万个三元组的知识库，具有显著的规模和准确性提升。

📝 摘要（中文）

自动化知识库构建（AKBC）是自然语言处理领域的核心任务，近期研究提出直接从大型语言模型（LLMs）生成知识库，视模型为知识源。然而，LLMs本身并不具备实体表示，导致重复条目和混淆。本文提出GPTKB 2.0，一种直接从LLMs构建消歧义知识库的方法。GPTKB 2.0实时消歧实体、关系和类别，旨在满足可扩展性和消歧准确性。我们分析了核心设计决策，并描述了准确性、规模和成本之间的权衡。通过大规模执行GPTKB 2.0，我们获得了包含超过100万消歧实体和3840万个三元组的知识库，这是首个具有明确内部标准化的百万规模LLM原生知识库，显著区别于以维基媒体为中心的先前工作。

🔬 方法详解

问题定义：本文旨在解决从大型语言模型构建知识库时的歧义问题，现有方法由于缺乏实体表示，导致生成的知识库存在重复和混淆。

核心思路：GPTKB 2.0的核心思路是实时消歧实体、关系和类别，确保生成的知识库具有高准确性和可扩展性。通过这种设计，能够有效减少重复条目和混淆现象。

技术框架：GPTKB 2.0的整体架构包括数据输入、实体消歧、关系识别和知识库构建四个主要模块。每个模块协同工作，确保知识库的高效生成。

关键创新：GPTKB 2.0的最大创新在于其能够在构建过程中实现实时消歧，这是与以往基于维基媒体的知识库构建方法的本质区别。

关键设计：在设计中，GPTKB 2.0采用了特定的参数设置和损失函数，以优化消歧过程的准确性。此外，网络结构经过精心设计，以支持大规模数据处理。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GPTKB 2.0成功构建了超过100万消歧实体和3840万个三元组的知识库，显著提升了知识库的准确性和规模。这一成果在消歧能力和数据处理效率上均优于以往的基线方法，标志着知识库构建技术的重大进步。

🎯 应用场景

GPTKB 2.0在知识库构建领域具有广泛的应用潜力，能够为信息检索、问答系统和智能助手等提供高质量的知识支持。其高效的消歧能力和大规模构建能力将推动相关领域的研究和应用发展，提升人工智能系统的智能化水平。

📄 摘要（原文）

Automated Knowledge Base Construction (AKBC) is a core NLP task, and recent work proposes generating knowledge bases directly from large language models (LLMs), treating the model itself as the knowledge source. However, LLMs natively possess no representation of entities, leading to duplicate entries as well as conflations. We propose GPTKB 2.0, a methodology for constructing disambiguated KBs directly from LLMs. GPTKB 2.0 incorporates on-the-fly disambiguation of entities, relations and classes, and is meticulously designed to satisfy both scalability and disambiguation accuracy. We analyze the central design decisions and characterize the trade-offs between accuracy, scale, and cost. We execute GPTKB 2.0 at scale, obtaining a materialized KB containing over 1M disambiguated entities and 38.4M triples. This represents the first million-scale LLM-native KB with explicit internal canonicalization of entities, relations, and classes, a significant departure from prior Wikimedia-centric works. GPTKB 2.0 is available at https://gptkb.org/.