Inkrementelle Wissensgraphen

Titel: Incremental Knowledge Graphs

Forschungsbereich: Datenqualität und Datenintegration

Da Wissensgraphen (KGs) im Mittelpunkt zahlreicher Anwendungen wie Empfehlungssystemen und Frage-Antwort-Systemen stehen, besteht ein zunehmender Bedarf an verallgemeinerten Pipelines, die diese KGs nicht nur erstellen, sondern auch kontinuierlich aktualisieren können.

Während die einzelnen Schritte, die zur Erstellung von KGs aus unstrukturierten (z. B. Text) und strukturierten Datenquellen (z. B. Datenbanken) erforderlich sind, für eine einmalige Ausführung gut erforscht sind, wurden ihre Anwendung für inkrementelle KG-Aktualisierungen und das systematische Zusammenspiel dieser Schritte noch nicht gründlich untersucht. Um diese Lücken zu schließen, müssen Methoden entwickelt werden, um Aktualisierungen innerhalb von KG-Pipelines effizient zu handhaben, Frameworks für die automatische Pipeline-Konfiguration zu schaffen und Benchmarking-Ansätze zur Bewertung und zum Vergleich verschiedener KG-Pipelines zu etablieren. Durch die Konzentration auf diese inkrementellen Aspekte wollen wir die Anpassungsfähigkeit, Genauigkeit und Skalierbarkeit von KG-Systemen sicherstellen.

Ziele

Das Projekt zielt darauf ab, eine Methodik zu entwickeln, mit der Aktualisierungen effizient in eine Knowledge-Graph-Pipeline (KG) integriert und verarbeitet werden können, sodass das System mit minimalem manuellem Aufwand anpassungsfähig und auf dem neuesten Stand bleibt.

Darüber hinaus soll ein automatisches Pipeline-Konfigurationsframework geschaffen werden, das die Einrichtung und Verwaltung von KG-Pipelines optimiert, die Benutzerfreundlichkeit verbessert und Konfigurationsfehler reduziert. Außerdem wird im Rahmen des Projekts ein umfassender Benchmarking-Ansatz für Knowledge-Graph-Pipelines entwickelt, um die Leistung, Genauigkeit und Skalierbarkeit verschiedener KG-Pipelines systematisch zu bewerten und zu vergleichen.

Team

• Marvin Hofer
• Prof. Dr. Erhard Rahm

Publikationen

• Marvin Hofer et al. The new dbpedia release cycle: Increasing agility and
  efficiency in knowledge extraction workflows. In 16th International Confer-
  ence on Semantic Systems, SEMANTiCS, pages 1–18. Springer, 2020.
• Marvin Hofer, Daniel Obraczka, Alieh Saeedi, Hanna Köpcke, and Erhard
  Rahm. Construction of Knowledge Graphs: State and Challenges. CoRR,
  abs/2302.11509, 2023.
• Marvin Hofer, Johannes Frey, and Erhard Rahm. Towards self-configuring
  Knowledge Graph Construction Pipelines using LLMs – A Case Study with
  RML. In Fifth International Workshop on KGC @ESWC, 2024.