DOI: https://doi.org/10.1007/s10115-025-02631-y
تاريخ النشر: 2026-01-06
المؤلف: Aldo Gangemi وآخرون
الموضوع الرئيسي: الشبكات العصبية المتقدمة
نظرة عامة
تقدم هذه القسم نظرة عامة على Text2AMR2FRED، وهو خط أنابيب جديد لتحويل النص إلى رسم بياني للمعرفة (KG) مصمم لتحويل النصوص الطبيعية متعددة اللغات إلى KGs منظمة ومتسقة منطقياً. يعالج هذا الخط من الأنابيب القيود الكبيرة للبارسين الدلاليين الحاليين من خلال تعزيز الاتساق المنطقي والتشغيل البيني، والامتثال لمعايير الويب الدلالي. من خلال استخدام تمثيل المعنى المجرد (AMR) كصيغة وسيطة للبارسين الدلاليين، ينتج Text2AMR2FRED KGs غنية تدمج مصادر المعرفة الخارجية، مما يحسن من قدرات استرجاع المعلومات واستخراج المعرفة.
تشير النتائج إلى أن Text2AMR2FRED يتفوق على الطرق التقليدية لاستخراج المعرفة من خلال توليد تمثيلات أكثر تجريداً وغنىً دلالياً، مما يلتقط المعرفة الضمنية بشكل فعال ويضمن ربطاً أفضل للمخرجات. تظهر التقييمات المقارنة أن Text2AMR2FRED يحقق دقة ملحوظة تبلغ 95% على 1,598 ثلاثيات، متجاوزاً بشكل كبير دقة 78% لنظام FRED الأساسي. يتم تسليط الضوء على تعددية استخدام الخط من الأنابيب من خلال تطبيقه في مجالات مختلفة، بما في ذلك معالجة اللغة الطبيعية والعلوم الإنسانية الرقمية، حيث يسهل تحويل المجموعات النصية إلى KGs قابلة للوصول. تهدف الأعمال المستقبلية إلى إنشاء منهجيات موحدة لبناء النص إلى KG وتعزيز قدرات النظام، بما في ذلك التعرف على الكيانات ودمج نماذج اللغة الكبيرة لتحسين استخراج المعرفة.
مقدمة
تناقش مقدمة الورقة أهمية تحويل النصوص الطبيعية إلى رسوم بيانية للمعرفة (KGs) من أجل تعزيز استرجاع المعلومات وتنظيمها وتحليلها. من خلال تحويل النص غير المنظم إلى كيانات وعلاقات مترابطة، تسهل الرسوم البيانية للمعرفة الاستعلامات الدلالية المتقدمة والرؤى الأعمق، مما يسد الفجوة بين اللغة البشرية والبيانات القابلة للقراءة بواسطة الآلة. تسلط الورقة الضوء على الجهود التعاونية لمجتمعات معالجة اللغة الطبيعية (NLP) والويب الدلالي (SW) في تطوير خطوط أنابيب النص إلى KG، مستفيدة من التقدم في التعلم الآلي والشبكات العصبية لتحسين التحليل والفهم الدلالي.
يقدم المؤلفون بنية جديدة، Text2AMR2FRED، التي تحول اللغة الطبيعية إلى KGs متوافقة مع OWL من خلال عملية من خطوتين: أولاً، باستخدام بارسين عصبيين متقدمين لتمثيل المعنى المجرد (AMR) لتوليد رسوم بيانية دلالية مجردة، ثم ربط هذه الهياكل إلى ثلاثيات RDF. تعالج هذه الطريقة التحديات التي تواجهها الأنظمة الحالية، مثل تجزئة التمثيلات الدلالية ونقص الاتساق المنطقي في النماذج العصبية. من خلال تقديم تفسير نظري رسمي لـ AMR، يعزز النظام المقترح التشغيل البيني، وقدرات الاستدلال، وقابلية التوسع عبر السياقات متعددة اللغات. توضح الورقة مساهمات Text2AMR2FRED، بما في ذلك دعم لغات متعددة، و KGs غنية من خلال موارد دلالية خارجية، وتطبيق ويب متاح للجمهور ليتفاعل المستخدمون مع النظام.
النتائج
تشير النتائج إلى أن Text2AMR2FRED يتفوق بشكل كبير على FRED في الدقة عبر أنماط دلالية مختلفة، محققاً دقة إجمالية تبلغ 95% على 1,598 ثلاثيات مقارنةً بـ 78% لـ FRED على 1,075 ثلاثيات. يتفوق Text2AMR2FRED بشكل خاص في ربط الثلاثيات بأنماط ROLE وSUBCLASS وTYPE وIDENTITY، بينما ينتج FRED المزيد من الثلاثيات المتعلقة بأنماط EQUIVALENCE وIDENTITY وPROPERTY، وإن كان بدقة أقل. يُعزى الأداء المتفوق لـ Text2AMR2FRED إلى استخدامه لبارس AMR، الذي يستخدم نهج تأطير عام يعزز تمثيل الهياكل الدلالية كمسندات مع أدوار وهياكل حجج.
تؤكد التحليلات الإحصائية باستخدام اختبارات كاي-تربيع التحسن الكبير لـ Text2AMR2FRED مقارنةً بـ FRED في خمسة من سبعة أنماط، مع قيم p تشير إلى دلالة إحصائية قوية (على سبيل المثال، ROLE: 92% مقابل 83%، $χ^2 = 8.04$، $p = 0.0046$). من المحتمل أن تكون الفروقات غير المهمة في أنماط IDENTITY وNEGATION ناتجة عن الأداء القوي بالفعل لـ FRED في هذه المجالات وحجم العينة المحدود لـ NEGATION. تشير النتائج إلى أن التقدم في أداء Text2AMR2FRED لا يعود فقط إلى بارسين AMR، ولكن أيضاً ينشأ من قدرات التعميم لـ AMR، والمعالجة اللاحقة الفعالة، ودمج الموارد الدلالية الخارجية. تقترح الدراسة خط أنابيب معياري وقابل للتوسع يستفيد من تمثيل AMR الوسيط لتحسين التشغيل البيني لرسم بياني المعرفة.
المناقشة
تتناول قسم المناقشة في ورقة البحث التقدم في القراءة الآلية وبناء الرسوم البيانية للمعرفة (KG)، مع التركيز بشكل خاص على التطور من أنظمة استخراج المعلومات المفتوحة التقليدية (OIE) إلى أساليب أكثر تطوراً تستفيد من التعلم العميق والتحليل الدلالي. وضعت المبادرات المبكرة في القراءة الآلية، مثل مشروع Open Mind Common Sense وNever-Ending Language Learning (NELL)، الأساس لاستخراج أنماط الثلاثيات من النص. ومع ذلك، تحولت الأساليب المعاصرة نحو استخدام تقنيات التعلم العميق، التي عززت بشكل كبير قدرات KGs، كما يتضح من الأنظمة مثل OpenNRE وDeepKE التي تركز على مهام استخراج متنوعة. من الجدير بالذكر أن دمج نماذج اللغة الكبيرة (LLMs) قد قدم مفاهيم جديدة لإكمال KG واستخراج المعلومات التوليدية، مما يظهر قدرتها على تحويل النص غير المنظم إلى تمثيلات معرفة منظمة.
يمثل إطار Text2AMR2FRED المقترح تقدماً كبيراً في هذا المجال من خلال الحفاظ على الدلالات الرسمية طوال عملية توليد النص إلى KG. يستخدم هذا الإطار تمثيل المعنى المجرد (AMR) كهيكل وسيط، مما يسهل تحويل اللغة الطبيعية إلى KGs متوافقة مع OWL. على عكس أنظمة OIE التي تعتمد على العلاقات المحددة من قبل المستخدم، يلتقط AMR مجموعة أوسع من العلاقات الدلالية، مما يوفر فهماً أكثر شمولاً للنص. تم تصميم بنية Text2AMR2FRED لتكون معيارية وغير مرتبطة ببارس معين، مما يسمح بدمج بارسين AMR المحسنين عند توفرهم. تعتبر هذه المرونة حاسمة لتحسين جودة KGs الناتجة، خاصة من حيث الدقة الدلالية وربط الكيانات، والتي غالباً ما تكون جوانب صعبة من استخراج المعرفة الآلي. بشكل عام، لا يعالج الإطار فقط قيود الأساليب الحالية، ولكنه يتماشى أيضاً مع الاتجاهات الناشئة في الذكاء الاصطناعي المعزز بالمنطق والرموز العصبية، مما يمهد الطريق لتوليد رسوم بيانية للمعرفة أكثر قوة وقابلية للتوسع.
DOI: https://doi.org/10.1007/s10115-025-02631-y
Publication Date: 2026-01-06
Author(s): Aldo Gangemi et al.
Primary Topic: Advanced Graph Neural Networks
Overview
The section presents an overview of Text2AMR2FRED, a novel text-to-knowledge graph (KG) pipeline designed to convert multilingual natural language text into structured, logically coherent KGs. This pipeline addresses significant limitations of existing semantic parsers by enhancing logical consistency and interoperability, adhering to Semantic Web standards. By utilizing Abstract Meaning Representation (AMR) as an intermediate semantic parsing formalism, Text2AMR2FRED produces enriched KGs that integrate external knowledge sources, thereby improving information retrieval and knowledge extraction capabilities.
The findings indicate that Text2AMR2FRED outperforms traditional knowledge extraction methods by generating more abstract and semantically rich representations, effectively capturing implicit knowledge and ensuring better interlinking of output. Comparative evaluations demonstrate that Text2AMR2FRED achieves a remarkable accuracy of 95% over 1,598 triples, significantly surpassing the 78% accuracy of the foundational FRED system. The pipeline’s versatility is highlighted through its application in various domains, including natural language processing and digital humanities, where it facilitates the transformation of textual collections into accessible KGs. Future work aims to establish standardized methodologies for text-to-KG construction and to enhance the system’s capabilities, including entity recognition and the integration of large language models for improved knowledge extraction.
Introduction
The introduction of the paper discusses the significance of converting natural language text into structured knowledge graphs (KGs) for enhancing information retrieval, organization, and analysis. By transforming unstructured text into interconnected entities and relationships, knowledge graphs facilitate advanced semantic queries and deeper insights, bridging the gap between human language and machine-readable data. The paper highlights the collaborative efforts of the Natural Language Processing (NLP) and Semantic Web (SW) communities in developing text-to-KG pipelines, leveraging advancements in machine learning and neural networks to improve semantic parsing and understanding.
The authors introduce a novel architecture, Text2AMR2FRED, which transforms natural language into OWL-compliant RDF KGs through a two-step process: first, using state-of-the-art neural Abstract Meaning Representation (AMR) parsers to generate abstract semantic graphs, and then mapping these structures to RDF triples. This approach addresses challenges faced by existing systems, such as the fragmentation of semantic representations and the lack of logical consistency in neural models. By providing a formal model-theoretic interpretation of AMR, the proposed system enhances interoperability, reasoning capabilities, and scalability across multilingual contexts. The paper outlines the contributions of Text2AMR2FRED, including support for multiple languages, enriched KGs through external semantic resources, and a publicly accessible web application for users to interact with the system.
Results
The results indicate that Text2AMR2FRED significantly outperforms FRED in accuracy across various semantic motifs, achieving an overall accuracy of 95% over 1,598 triples compared to FRED’s 78% over 1,075 triples. Text2AMR2FRED excels particularly in mapping triples to ROLE, SUBCLASS, TYPE, and IDENTITY motifs, while FRED produces more triples related to EQUIVALENCE, IDENTITY, and PROPERTY motifs, albeit with lower accuracy. The superior performance of Text2AMR2FRED is attributed to its use of an AMR parser, which employs a generalized framing approach that enhances the representation of semantic structures as predicates with roles and argument structures.
Statistical analysis using Chi-square tests confirms the significant improvement of Text2AMR2FRED over FRED in five out of seven motifs, with p-values indicating strong statistical significance (e.g., ROLE: 92% vs. 83%, $χ^2 = 8.04$, $p = 0.0046$). The non-significant differences in IDENTITY and NEGATION motifs are likely due to FRED’s already strong performance in these areas and the limited sample size for NEGATION. The findings suggest that the advancements in Text2AMR2FRED’s performance are not solely due to the AMR parsers but also stem from the generalization capabilities of AMR, effective post-processing, and the integration of external semantic resources. The study proposes a modular and extensible pipeline that leverages the intermediate AMR representation for enhanced knowledge graph interoperability.
Discussion
The discussion section of the research paper elaborates on the advancements in machine reading and knowledge graph (KG) construction, particularly emphasizing the evolution from traditional open information extraction (OIE) systems to more sophisticated approaches leveraging deep learning and semantic parsing. Early machine reading initiatives, such as the Open Mind Common Sense project and Never-Ending Language Learning (NELL), laid the groundwork for extracting triplet patterns from text. However, contemporary methods have shifted towards utilizing deep learning techniques, which have significantly enhanced the capabilities of KGs, as evidenced by systems like OpenNRE and DeepKE that focus on various extraction tasks. Notably, the integration of large language models (LLMs) has introduced new paradigms for KG completion and generative information extraction, showcasing their potential to transform unstructured text into structured knowledge representations.
The proposed Text2AMR2FRED framework represents a significant advancement in this domain by maintaining formal semantics throughout the text-to-KG generation process. This framework utilizes Abstract Meaning Representation (AMR) as an intermediate structure, facilitating the conversion of natural language into OWL-compliant RDF KGs. Unlike OIE systems that rely on user-specified relations, AMR captures a broader range of semantic relations, thus providing a more comprehensive understanding of the text. The architecture of Text2AMR2FRED is designed to be modular and parser-agnostic, allowing for the integration of improved AMR parsers as they become available. This flexibility is crucial for enhancing the quality of the generated KGs, particularly in terms of semantic precision and entity linking, which are often challenging aspects of automated knowledge extraction. Overall, the framework not only addresses the limitations of existing methods but also aligns with emerging trends in logic-augmented and neuro-symbolic AI, paving the way for more robust and scalable knowledge graph generation.