An Agentic Hybrid Top-Down and Bottom-Up Approach to Knowledge Graph Generation
Dieses Paper schlägt eine agentische Hybrid-Pipeline vor, die Top-Down-Grounding in Wikidata mit Bottom-Up-Reflexion kombiniert, um autonom einen skalierbaren, selbstheilenden, mehrsprachigen Skills-Wissensgraphen aus verrauschten, unstrukturierten HR-Daten zu generieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, chaotische Bibliothek vor, in der jeder laut herausruft, worin er gut ist. Manche Menschen sprechen perfektes Englisch, andere Französisch, Deutsch oder Spanisch, und manche verwenden Slang, der noch gar nicht erfunden wurde. In der Welt der Personalbeschaffung ist diese Bibliothek ein einziges Durcheinander. Wenn ein Unternehmen nach einen „Projektmanager“ sucht, übersieht es vielleicht einen brillanten Kandidaten, der „Web-Projektmanagement“ oder „Gestion de Projet“ geschrieben hat, weil der Computer nicht weiß, dass diese Begriffe dasselbe bedeuten. Hier kommen Knowledge Graphs (Wissensgraphen) ins Spiel. Betrachten Sie einen Knowledge Graph als eine super organisierte Karte, die Ideen miteinander verbindet. Anstatt nur einer Liste von Wörtern ist es ein Netz, in dem „Projektmanagement“ ein großer Knotenpunkt ist und „Web-Projektmanagement“ ein kleinerer Zweig ist, der davon abzweigt. Das Ziel ist es, diese chaotische Bibliothek aus schreienden Stimmen in eine saubere, genaue Karte zu verwandeln, damit Computer tatsächlich Menschen dabei helfen können, die richtigen Jobs zu finden.
Aber den Bau dieser Karte zu wagen, ist knifflig. Man kann versuchen, sie von oben nach unten zu zeichnen, unter Verwendung eines strengen Regelwerks (wie einer staatlichen Jobliste), aber dabei übersieht man all die coolen, neuen, seltsamen Jobs, die noch nicht im Regelwerk existieren. Oder man kann versuchen, sie von unten nach oben aufzubauen, indem man einem Computer erlaubt, Dinge selbstständig zu erraten und zu gruppieren, aber das führt oft zu einem chaotischen Durcheinander, in dem der Computer fiktive Jobs erfindet oder einen einzigen Job in zehn verschiedene Namen aufteilt. Dieses Paper stellt einen cleveren neuen Weg vor, um diese Karte zu bauen, indem es das Beste aus beiden Welten kombiniert: ein strenges Regelwerk für das Bekannte und ein intelligentes, selbstkorrigierendes Roboter-Team für das Neue.
Die Forscher, die mit der europäischen Freelancer-Plattform Malt zusammenarbeiteten, bauten ein System, das wie ein Team von Detektiv-Robotern agiert. Sie nennen es einen „Agentic Hybrid“-Ansatz. So funktioniert er: Zuerst nimmt das System eine chaotische Fähigkeit, die ein Mensch geschrieben hat, wie zum Beispiel „gestion de projet web“ (Französisch für Web-Projektmanagement), und versucht, sie mit einer vertrauenswürdigen, bereits existierenden Karte namens Wikidata abzugleichen. Betrachten Sie Wikidata als das „Wikipedia der Fakten“, dem die Roboter vollkommen vertrauen. Wenn die Fähigkeit mit etwas in Wikidata übereinstimmt, großartig! Der Roboter verankert sie fest, um sicherzustellen, dass sie über alle fünf Sprachen, die sie betreuen (Englisch, Französisch, Deutsch, Niederländisch und Spanisch), genau und konsistent ist.
Aber was, wenn die Fähigkeit ganz neu ist und nicht in Wikidata existiert? Das ist der Punkt, an dem der „Agentic“-Teil glänzt. Anstatt einfach aufzugeben oder Dinge zu erfinden, nutzt das System eine spezielle „Reflexionsschleife“. Stellen Sie sich einen Roboter vor, der einen Entwurf schreibt, dann innehält und sich selbst fragt: „Moment, ist das richtig? Passt das zu den anderen Fähigkeiten?“ Wenn der Roboter feststellt, dass eine Fähigkeit zu spezifisch ist, um unter den Hauptschirm von „Projektmanagement“ zu passen, wirft er sie nicht weg. Stattdessen erstellt er einen neuen, speziellen „Orphan“-Zweig (einen einsamen Zweig) für sie. Er gibt diesem neuen Zweig eine eindeutige ID und einen klaren Namen, wie etwa „Web-Projektmanagement“, und verbindet ihn zurück mit dem Hauptknoten. Das System durchläuft diesen Prozess immer wieder, prüft seine eigene Arbeit, führt Duplikate zusammen und räumt das Chaos auf, bis die Karte so genau wie möglich ist.
Das Paper zeigt, dass diese Methode wirklich gut funktioniert, aber sie ist keine Magie – sie ist rigoros. Sie testeten sie an über 36.000 rohen, chaotischen Skill-Beschreibungen echter Freelancer. Das System konnte einen massiven Teil davon organisieren, war aber auch ehrlich darüber, was es nicht bewältigen konnte. Von den gesamten Versuchen, Fähigkeiten mit der Karte abzugleichen, waren etwa 19 % „falsche Vermutungen“, weil die Eingabe zu verwirrend oder mehrdeutig war. Darüber hinaus lehnte das System aktiv weitere 13,7 % der Eingaben ab, da es entschied, dass es sich schlichtweg nicht um gültige Fähigkeiten handelte (wie „NOT_A_SKILL“-Fehler) oder es sich um semantisches Rauschen handelte. Für die Daten, die es jedoch erfolgreich verarbeiten konnte, waren die Ergebnisse beeindruckend: Es bereinigte und organisierte 27.743 der Eingaben und gruppierte sie in etwa 13.300 klare, standardisierte Skill-Kategorien. Das bedeutet, dass sie das Chaos für die gültigen Daten um mehr als die Hälfte reduziert haben, indem sie tausende verwirrende Variationen in eine ordentliche, strukturierte Liste verwandelten. Noch besser: Das System war in der Lage, alle fünf Sprachen perfekt zu sprechen, und erstellte 66.490 standardisierte Labels, sodass ein französischer Sprecher und ein deutscher Sprecher denselben Job finden können.
Die Forscher fanden heraus, dass ihr „Hybrid“-Ansatz viel besser war, als nur ein strenges Regelwerk oder nur den Computer raten zu lassen. Indem sie die bekannten Fähigkeiten an Wikidata verankerten, verhinderten sie, dass der Computer fiktive Jobs erfindet (ein Problem, das als „Halluzination“ bezeichnet wird). Durch die Nutzung der „Reflexionsschleife“ für die neuen Fähigkeiten verpassten sie nicht die coolen, aufkommenden Jobs, die Regelwerke noch nicht erfasst haben. Das Ergebnis ist ein lebendiger, atmender Skill-Graph, der sich selbst aktualisieren kann, wenn sich der Arbeitsmarkt verändert, was es Unternehmen viel leichter macht, die richtigen Leute zu finden, und Menschen, die richtige Arbeit zu finden. Es ist wie ein Bibliothekar, der nicht nur jedes Buch in der Bibliothek kennt, sondern auch sofort weiß, wie er ein brandneues Buch, das gerade angekommen ist, einsortiert, um sicherzustellen, dass jeder es finden kann, egal welche Sprache er spricht – und der gleichzeitig genau weiß, wann er sagen muss: „Ich bin mir nicht sicher, was das ist“, anstatt falsch zu raten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.