通过LLM辅助知识图谱构建
情况的变化
之前要实现这种信息抽取的话，一般是用 Bert + NER 来实现，要用到几千个样本，才能开发出一个效果相对不错的模型。而到了大语言模型时代，我们有了 few-shot 和 zero-shot 的能力。
有了大语言模型之后，用户对数据的需求会减少很多，对大多数人而言，你不需要那么多预算去搞数据了，大语言模型就能实现数据的简单抽取，满足你的业务基本需求，再辅助一些规则就可以。
总结：
- 可以让LLM自己生成 自定义本体 微调所需要的提示词
- 使用微调后的LLM，来提取知识图谱，可以节省token，提升性能
- 建立文本到KG转换的“准确性”测试
- 转换后进行实体对齐