An LLM-aided Enterprise Knowledge Graph (EKG) engineering process
Lade...
Autor:in (Körperschaft)
Publikationsdatum
2024
Typ der Arbeit
Studiengang
Typ
04B - Beitrag Konferenzschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Proceedings of the AAAI 2024 Spring Symposium Series
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
3(1)
Ausgabe / Nummer
Seiten / Dauer
148-156
Patentnummer
Verlag / Herausgebende Institution
Stanford University
Verlagsort / Veranstaltungsort
Stanford
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Conventional knowledge engineering approaches aiming to create Enterprise Knowledge Graphs (EKG) still require a high level of manual effort and high ontology expertise, which hinder their adoption across industries. To tackle this issue, we explored the use of Large Language Models (LLMs) for the creation of EKGs through the lens of a design-science approach. Findings from the literature and from expert interviews led to the creation of the proposed artefact, which takes the form of a six-step process for EKG development. Scenarios on how to use LLMs are proposed and implemented for each of the six steps. The process is then evaluated with an anonymised data set from a large Swiss company. Results demonstrate that LLMs can support the creation of EKGs, offering themselves as a new aid for knowledge engineers.
Schlagwörter
Fachgebiet (DDC)
Veranstaltung
AAAI-MAKE
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
978-1-57735-894-7
ISSN
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Closed
Lizenz
Zitation
Laurenzi, E., Mathys, A., & Martin, A. (2024). An LLM-aided Enterprise Knowledge Graph (EKG) engineering process. In R. Petrick & C. Geib (Eds.), Proceedings of the AAAI 2024 Spring Symposium Series: Vol. 3(1) (pp. 148–156). Stanford University. https://doi.org/10.1609/aaaiss.v3i1.31194