HKG：一种适用于资源匮乏的指示性语言的自动知识图谱构建新方法

《ACM Transactions on Asian and Low-Resource Language Information Processing》：HKG: A Novel Approach for Low Resource Indic Languages to Automatic Knowledge Graph Construction

印地语知识图谱构建面临语言特性挑战，本研究提出HKG框架结合LSTM模型评估方法，采用Doc2Vec嵌入与7:3训练测试集验证，准确率达87.5%。

　　

摘要

知识图谱（KG）是一种将文本数据以语义网络形式呈现的可视化方法，对于开发更智能的机器人具有巨大潜力。它在问答、推荐和信息检索等许多任务中提供了重要的解决方案。然而，这一领域目前仅限于使用英语文本。由于现在人工智能领域也开始使用资源较少的语言，因此也有必要为这些语言开发相应的语义网络。在这项研究中，作者提出了针对印地语的自动知识图谱构建的最新技术，而印地语在语义网构建方面尚未得到充分探索。在语言学领域，构建知识图谱面临诸多挑战，尤其是在处理印地语时。本研究从印度视角出发，提出了一种名为“HKG”的新方法用于印地语知识图谱的构建。该方法还采用了LSTM模型来评估新构建的知识图的准确性，并计算了准确率和F1分数等评估指标。使用Doc2Vec词嵌入方法，该知识图的准确率为87.50%，数据分为7:3的训练集和测试集。