LLM-Empowered Knowledge Graph Construction: A Survey
要約
# 1. Introduction
- 知識グラフ（KG）は構造化知識の表現・統合・推論の基盤として機能してきたが、従来のKG構築パイプライン（オントロジー工学・知識抽出・知識融合）はスケーラビリティ・専門家依存・パイプラインの断片化という3つの課題を抱えている
- 大規模言語モデル（LLM）の登場により、生成的知識モデリング・意味的統一・指示駆動型オーケストレーションという3つの主要メカニズムが実現し、KG構築のパラダイムシフトが起きている
- 本サーベイはLLM駆動のKG構築に関する包括的レビューを提供し、オントロジー工学・知識抽出・知識融合の各段階を体系的に分析する
# 2. Preliminaries
- オントロジー工学（OE）は従来、ドメイン専門家による手動構築が中心であり、ProtégéなどのツールやMETHONTOLOGY等の方法論に支えられていたが、スケーラビリティと柔軟性に限界があった
- 知識抽出（KE）はルールベース・パターンマッチングから深層学習（BiLSTM-CRF、Transformer）へと進化したが、データ不足・汎化能力の弱さ・累積エラーの問題が残っていた
- 知識融合（KF）はエンティティアライメントを中心に、語彙的・構造的類似性から埋め込みベースの手法へと発展したが、意味的異質性・大規模統合・動的更新の課題が依然として存在する
# 3. LLM-Enhanced Ontology Construction
- トップダウンアプローチでは、LLMがコンピテンシー質問（CQ）や自然言語記述からOWL準拠のオントロジーを自動生成する知的アシスタントとして機能し、Ontogenia・CQbyCQ・NeOn-GPT等のフレームワークが開発された
- ボトムアップアプローチでは、GraphRAG・OntoRAG等がデータからスキーマを自動誘導し、EDCフレームワークやAdaKGCが動的スキーマ進化を実現、AutoSchemaKGがエンタープライズ規模のKG構築を可能にした
- 両アプローチは相補的であり、トップダウンは意味的一貫性と専門家協働を重視し、ボトムアップはLLMの推論・解釈可能性を支える動的知識基盤としてのKGを志向している
# 4. LLM-Driven Knowledge Extraction
- スキーマベース手法は静的オントロジーによる制約付き抽出から、AutoSchemaKGやAdaKGCによる動的・適応的スキーマ抽出へと進化し、スキーマと抽出が共進化するパラダイムが形成された
- スキーマフリーの構造的生成抽出では、Chain-of-Thought推論・AutoREのRHFパイプライン・ChatIEの対話型抽出・KGGENの分解型抽出など、明示的スキーマなしでLLMが潜在的な関係構造を内在化する手法が発展した
- オープン情報抽出（OIE）はEDCフレームワークに代表され、事前定義型なしにテキストからすべてのトリプルを発見し、スキーマ誘導や正規化と組み合わせることでスキーマフリーからスキーマ生成的なKG構築の連続体を完成させる
# 5. LLM-Powered Knowledge Fusion
- スキーマレベル融合はオントロジー駆動の一貫性確保からデータ駆動の統合（LKD-KGC）、さらにLLMによる意味的正規化（EDC）へと3段階で進化し、柔軟な意味指向の融合が実現された
- インスタンスレベル融合ではKGGENの反復クラスタリング、LLM-Align・EntGPTの文脈推論、RAGベースのゼロショット曖昧性解消、COMEMの階層的設計など、LLMが単純なマッチャーから適応的推論エージェントへと進化した
- KARMAの多エージェント設計、ODKE+のオントロジー誘導ワークフロー、Graphusionの統合生成パラダイムなど、スキーマ・インスタンス両レベルを統合するハイブリッドフレームワークが登場している
# 6. Future Applications
- KGベース推論では、構造化KGをLLMの推論メカニズムに統合し、論理的一貫性・因果推論・解釈可能性を向上させ、知識構築と推論の自己改善サイクルの形成が期待される
- 動的知識メモリでは、KGをエージェントの持続的・構造化メモリ基盤として活用し、A-MEMやZepのような時間的知識グラフにより継続学習・マルチエージェント協調・自己省察型推論を実現する方向に進んでいる
- マルチモーダルKG構築ではテキスト・画像・音声・動画を統合した構造化表現を目指し、RAGを超えたKGの新たな役割として認知的中間層（計画・意思決定の構造的足場）への発展が見込まれる
# 7. Conclusion
- LLMはKG構築を、ルールベース・モジュール型パイプラインから統一的・適応的・生成的フレームワークへとパラダイムシフトさせた
- 静的スキーマから動的誘導へ、パイプラインのモジュール性から生成的統合へ、記号的硬直性から意味的適応性への3つのトレンドが明確になった
- スケーラビリティ・信頼性・継続的適応の課題が残っており、プロンプト設計・マルチモーダル統合・知識基盤推論の進展が自律的で説明可能な知識中心AIの実現に不可欠である
評価
# 新規性
- LLMによるKG構築を体系的に「オントロジー工学」「知識抽出」「知識融合」の三層パイプラインに沿って包括的にサーベイし、スキーマベースとスキーマフリーの二つの相補的パラダイムから分析した初めての体系的レビュー
- トップダウン（LLMをオントロジーアシスタントとして活用）とボトムアップ（KGをLLMの推論・表現能力強化に活用）の双方向的な関係性を明確に整理・定義した点
- KGの将来的役割として、RAGを超えた「認知的中間層」としてのKGの位置づけ、エージェントシステムの動的知識メモリ、マルチモーダルKG構築など、新たな研究方向を提示した点
# 言及されている全ての関連研究との相違点
- Zhong et al. (2023) との違い: 従来の機械学習ベースのKG構築サーベイに対し、本論文はLLMによるパラダイムシフトに焦点を当て、生成的・言語駆動型フレームワークを中心に分析
- Zhao et al. (2024) との違い: 従来型KG構築手法のサーベイに対し、本論文はLLMが各構築段階をどう変革するかを体系的に分析
- Zouaq & Nkambou (2010) との違い: 従来のオントロジー工学は人間の監督に依存し拡張性が限定的だったが、本論文はLLMによる自動化・半自動化パラダイムを包括的にレビュー
- Asim et al. (2018) との違い: オントロジー学習技術のサーベイに対し、本論文はLLM時代の新たなオントロジー構築アプローチを網羅
- Kotis et al. (2020) との違い: 従来のオントロジー工学方法論の精度と形式的健全性を評価したのに対し、本論文はLLMが柔軟性と効率性をどう改善するかを分析
- Pai et al. (2024) との違い: ルールベースからLLMまでのオープン情報抽出サーベイに対し、本論文はKG構築全体（オントロジー・抽出・融合）をカバー
- Yang et al. (2022b) との違い: 深層学習ベースの情報抽出サーベイに対し、本論文はLLM特有の生成的知識モデリングとプロンプトベース手法に焦点
- Detroja et al. (2023) との違い: 関係抽出の教師あり・弱教師・教師なしパラダイムの分類に対し、本論文はLLMによるスキーマフリー抽出やCoTプロンプティングなど新手法を分析
- Zeng et al. (2021) との違い: エンティティアラインメントの従来手法サーベイに対し、本論文はLLMベースの推論駆動型融合フレームワークを分析
- Zhu et al. (2024a) との違い: グラフ埋め込みベースのエンティティアラインメントサーベイに対し、本論文はLLMの意味的推論能力を活用した融合手法を包括
- Yang et al. (2022a) との違い: 電力グリッドドメインの多特徴融合戦略に対し、本論文はドメイン横断的なLLM駆動型融合を分析
- Liu et al. (2022) との違い: グラフレベルの意味キュー統合手法に対し、本論文はLLMによる意味的正規化や自動融合を含むより広範な融合パラダイムを分析
- Lippolis et al. (2025a) [Ontogenia] との違い: メタ認知プロンプティングによるオントロジー生成の個別フレームワークに対し、本論文はこれを含むトップダウンパラダイム全体を体系化
- Saeedizade & Blomqvist (2024) [CQbyCQ] との違い: CQからOWL準拠スキーマへの変換手法に対し、本論文はCQベースを含む複数のオントロジー構築アプローチを包括的にレビュー
- Lippolis et al. (2025b) との違い: LLMによるオントロジー生成の2つのプロンプティング戦略提案に対し、本論文はこれらを含む広範なパラダイム全体を俯瞰
- Giglou et al. (2023) [LLMs4OL] との違い: LLMのオントロジー学習能力検証に対し、本論文はオントロジー工学を含むKG構築全体をカバー
- Mateiu & Groza (2023) との違い: ファインチューニングモデルによるOWL公理生成に対し、本論文はプロンプトベースや生成的アプローチも含む広範なレビュー
- Fathallah et al. (2025) [NeOn-GPT] との違い: エンドツーエンドのプロンプト駆動オントロジー構築パイプラインに対し、本論文はこれを含む体系的分類を提供
- Fathallah et al. (2024) [LLMs4Life] との違い: ライフサイエンス分野でのオントロジー学習に対し、本論文はドメイン横断的な包括サーベイ
- Sun et al. (2025) [LKD-KGC] との違い: 軽量なスキーマ誘導フレームワークに対し、本論文はスキーマベース・スキーマフリー双方を含む体系的レビュー
- Edge et al. (2024) [GraphRAG] との違い: グラフRAGアプローチの個別提案に対し、本論文はこれをボトムアップオントロジー構築の基盤として位置づけ分析
- Tiwari et al. (2025) [OntoRAG] との違い: 非構造化知識ベースからのオントロジー導出に対し、本論文はRAGフレームワークを含むより広いコンテキストで分析
- Zhang & Soh (2024) [EDC] との違い: Extract-Define-Canonicalizeの三段階フレームワークに対し、本論文はこれを含む抽出・融合双方のパラダイムを包括
- Ye et al. (2023) [AdaKGC] との違い: スキーマ適応型KG構築の個別手法に対し、本論文は動的スキーマ進化を含む体系的分類を提供
- Bai et al. (2025) [AutoSchemaKG] との違い: 自律的動的スキーマ誘導の個別システムに対し、本論文はスキーマベース・スキーマフリーの統一的分類を提供
- Kommineni et al. (2024) との違い: LLMによるKG構築自動化の個別パイプラインに対し、本論文はこれを含む包括的サーベイ
- Lu & Wang (2025) [KARMA] との違い: マルチエージェントLLMによるKGエンリッチメントに対し、本論文はこれを含む知識融合全体の体系化
- Feng et al. (2024) との違い: Wikidataスキーマに基づくオントロジーグラウンデッドKG構築に対し、本論文はこれを静的スキーマ駆動抽出の進展として位置づけ
- Khorshidi et al. (2025) [ODKE+] との違い: オントロジーガイド付きオープンドメイン知識抽出に対し、本論文はこれを含む抽出・融合の包括的分析
- Bhattarai et al. (2024) との違い: 医療オントロジーUMLSを用いた臨床情報抽出に対し、本論文はドメイン固有を含む広範な手法を体系化
- Nie et al. (2024) との違い: CoTプロンプティングによる知識グラフ効率構築に対し、本論文はこれをスキーマフリー生成的抽出の初期研究として分類
- Xue et al. (2024) [AutoRE] との違い: 文書レベルの関係抽出におけるRHFパイプラインに対し、本論文はこれを含む構造的生成的抽出パラダイムを分析
- Papaluca et al. (2024) との違い: 検索拡張プロンプティングによるゼロショット・少数ショットKGトリプル抽出に対し、本論文はこれを含む体系的レビュー
- Wei et al. (2024) [ChatIE] との違い: チャットベースのゼロショット情報抽出に対し、本論文はこれを対話的スキーマフリー抽出として位置づけ
- Mo et al. (2025) [KGGen] との違い: プレーンテキストからの知識グラフ抽出に対し、本論文はこれを含む抽出と融合双方を分析
- Chen et al. (2024) [LLM-Align] との違い: LLMによるエンティティアラインメントに対し、本論文はこれをインスタンスレベル融合の進展として体系化
- Ding et al. (2025) [EntGPT] との違い: 生成的LLMによるエンティティリンキングに対し、本論文はこれを含むインスタンスレベル融合全体を分析
- Pons et al. (2025) との違い: KGによるエンティティ曖昧性解消に対し、本論文はRAGベース融合を含む包括的融合フレームワークの中で位置づけ
- Wang et al. (2024) [COMEM] との違い: 大規模・小規模LLMのカスケード型エンティティマッチングに対し、本論文はこれを効率的融合の進展として分析
- Yang et al. (2024) [Graphusion] との違い: NLP教育における科学知識グラフ融合・構築に対し、本論文はこれを統合的融合パラダイムとして包括
- Pan et al. (2024) との違い: LLMとKGの統合ロードマップに対し、本論文はKG構築プロセスに特化した詳細な技術分析を提供
- Zhu et al. (2024b) との違い: KG構築・推論におけるLLMの能力と機会の概観に対し、本論文は構築プロセスの三層パイプラインに沿った体系的分析
- Kim et al. (2024) との違い: KGアプローチによるLLMの因果推論に対し、本論文はこれをKGベース推論の将来方向として位置づけ
- Wu et al. (2025) [KG-RAR] との違い: KG検索によるLLM推論の段階的進化に対し、本論文はこれを将来のKGベース推論方向として言及
- Xu et al. (2025) [A-MEM] との違い: LLMエージェントのためのエージェント型メモリに対し、本論文はこれを動的知識メモリの将来方向として位置づけ
- Rasmussen et al. (2025) [Zep] との違い: エージェントメモリのための時間的KGアーキテクチャに対し、本論文はこれを動的KGメモリの進展として言及
- Liu et al. (2025) [VaLiK] との違い: アノテーションフリーのマルチモーダルKG構築に対し、本論文はこれをマルチモーダルKG構築の将来方向として位置づけ
- Lu et al. (2024) [KG-MRI] との違い: マルチモーダルKG表現学習の三重コントラスト学習に対し、本論文はこれを将来方向の中で言及
- Bing et al. (2023) [CogER] との違い: 認知認識型KG推論による推薦に対し、本論文はこれをRAGを超えたKGの新たな役割として位置づけ
- Sarabadani et al. (2025) [PKG-LLM] との違い: 認知神経科学におけるKGとLLMのフレームワークに対し、本論文はこれをKGの新応用例として言及
# 有効性
- LLMによるKG構築の三層パイプライン（オントロジー工学・知識抽出・知識融合）全体を統一的に分析することで、各段階の技術的メカニズムと限界を明確に整理し、研究者に体系的な見取り図を提供
- スキーマベースとスキーマフリーの二つのパラダイムを対比的に分析することで、構造的一貫性と柔軟性のトレードオフを明確化し、研究方向の選択指針を提示
- 静的スキーマから動的スキーマ誘導への進化、パイプラインのモジュール性から生成的統合への移行、記号的硬直性から意味的適応性への転換という三つの主要トレンドを特定
- 各段階における代表的フレームワーク（Ontogenia、EDC、AdaKGC、AutoSchemaKG、KARMA、Graphusionなど）を技術的メカニズムの観点から分析し、それぞれの貢献と制約を明示
- 将来方向として、KGベース推論・動的知識メモリ・マルチモーダルKG構築・RAGを超えたKGの新たな役割を具体的に提示し、実用的な研究ロードマップを提供
# 信頼性
- データの規模・質について: サーベイ論文として40以上の主要論文を体系的にレビューしており、ICAIS 2025で採録された査読付き論文である。ただし、引用論文の多くがarXivプレプリントであり、査読を経ていない研究も多数含まれる
- 再現性について: サーベイ論文であるため直接の実験再現性は該当しないが、各手法の技術的メカニズムを詳細に記述しており、読者が原論文を辿って検証可能な構成となっている
- 統計的妥当性について: 定量的なベンチマーク比較や統計的評価は含まれておらず、各手法の定性的な分析と分類に基づいている。手法間の性能比較表やメタ分析が欠如しており、各アプローチの優劣を客観的に判断するためのエビデンスは限定的である
和訳
![]()
1 / 1
100%
