Hibrid következtetés a szövegfeldolgozásban
Hybrid inference in text processing
Keywords:
LLM, text processing, hybrid solution, knowledge graph, /, LLM., szövegfeldolgozás, hibrid következtetés, tudásgráfokAbstract
Text processing by LLM-s has many advantages, but drawbacks too. It is not cheap, it has also great environmental footprint, but it is still weak in logical inference. The article proposes a hybrid solution to convert the text to knowledge graph by LLM technology, but for the following steps logical pro-gramming means are applied, grounded by ontologies. The article talks about question answering, logical inference and contradiction detection algorithms.
Összefoglaló
Az LLM alapú szövegfeldolgozás előnyei mellett célszerű a hátrányairól is szólni: nem olcsó, nagy a környezeti lábnyoma, és különösen a logikai következtetések terén gyengécske. Erre javasol egy hibrid megoldást az alábbi cikk, amelyben a szöveget LLM technológiával tudásgráffá alakítjuk, további lé-péseket azonban már különféle logikai programozási eszközökkel teszünk, ontológiák felhasználásával. Ennek körében következtetés, kérdés megválaszolás és ellentmondás kiszűrésének megoldását tárgyaljuk.
References
[1] Kilián Imre: Hibrid következtetőrendszerek In: SzámOkt 2022: XXXII Nemzetközi Számítástechnika és Oktatási Konferencia, Marosvásárhely, Erdélyi Magyar Műszaki Tudományos Társaság (EMT) 2022., pp 132-139.
[2] Kilián Imre: Egy szabály- és következtetésvezérelt csevegőrobot modell anatómiája. Az ITSy-Bitsy modell. In: XVII. Magyar Számítógépes Nyelvészeti Konferencia, Szeged, 2011. pp 265-274.
[3] Juan Terven,Diana-Margarita Córdova-Esparza,Julio-Alejandro Romero-González: A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS, Machine Learning & Knowledge Extraction Nov-2023. (https://www.mdpi.com/2504-4990/5/4/83, elérés: 2026-Szept-23)
[4] Damiano Azzolini, Matteo Bonato, Elisabetta Gentili, Fabrizio Riguzzi: Logic Programming for Knowledge Graph Completion (https://ceur-ws.org/Vol-3733/paper4.pdf, elérés 2026-Szept-23)
[5] Machine Learning Group, University of Ferrara: CPLINT Tutorial (http://cplint.lamping.unife.it/tutorial/tutorial.swinb elérés: 2026-Szept-23)
[6] DTAI Group, TU Leuven: ProbLog (Introduction. — ProbLog: Probabilistic Programming, elérés, 2026-Szept-23)
[7] Robin Manhaeve, Sebastijan Dumančić, Angelika Kimmig, Thomas Demeester, Luc De Raedt: Neural probabilistic logic programming in DeepProbLog, In: Artificial Intelligence, Volume 298, 2021, (https://www.sciencedirect.com/science/article/pii/S0004370221000552, elérés: 2026-Szept-23)
[8] Meilicke, C., Chekol, M.W., Betz, P. et al. Anytime bottom-up rule learning for large-scale knowledge graph completion. In The VLDB Journal 33, pp. 131–161 (2024) (https://doi.org/10.1007/s00778-023-00800-5, elérés 2026-Szept-23).
