TY  - THES
AB  - Eine der zentralen Anwendungen des Internets besteht weiterhin in der gezielten Suche nach korrekten Informationen und der Erkundung neuer oder bislang unbekannter Themen. In diesem Zusammenhang spielen Suchmaschinen und verwandte Anwendungen, die als Antwort auf Benutzeranfragen relevante Dokumente, wie beispielsweise Webseiten abrufen, seit Langem eine zentrale Rolle in der Forschung. Das Informationsbedürfnis der Nutzenden ist jedoch häufig komplexer und erfordert die Integration von Informationen aus mehreren Quellen, etwa bei der Ermittlung des günstigsten Angebots für ein Auto oder bei der Beantwortung faktischer Fragen wie Welche Museen befinden sich in Paderborn? Diese Arbeit beschäftigt sich mit dem Forschungsbereich Question Answering. Jüngste Fortschritte im Zusammenhang der Entwicklung großer Sprachmodelle (Large Language Models, LLMs), die auf umfangreichen Textkorpora trainiert werden, haben dieses Forschungsfeld grundlegend verändert. Obwohl LLMs den aktuellen Stand der Technik darstellen, neigen sie zu Halluzinationen, das heißt, sie erzeugen Antworten, die nicht immer faktisch korrekt oder auf verlässlichem Wissen beruhen. Diese Einschränkung ist besonders problematisch angesichts der weit verbreiteten Desinformation im Internet. Zur Bewältigung dieses Problems bietet das anreichern von LLM prompts durch Informationen aus vertrauenswürdigen Wissensquellen, wie Textkorpora, Datenbanken oder Wissensgraphen (Knowledge Graphs, KGs), einen vielversprechenden Ansatz. In diesem Retrieval-Augmented-Generation (RAG)-Paradigma werden zunächst Information aus Wissensquellen abgerufen und dem Modell als zusätzlicher Input zur Verfügung gestellt, um die faktische Genauigkeit zu verbessern. Im Fall von Wissensgraphen wird diese Aufgabe als Question Answering über Wissensgraphen bezeichnet (KGQA). Um Fragen basierend auf den Informationen eines Wissensgraphen zu beantworten, können Semantic Parsing Verfahren angewandt werden, welche eine natürlichsparachliche Frage in eine ausführbare SPARQL Query übersetzen. In diesem Kontext konzentriert sich die Arbeit auf die Erforschung und Anwendung von neuronalen Entity Linking Verfahren, für das Forschungsthema Question Answering über Wissensgraphen (KGQA). Es werden Methoden zur kontextuellen Erweiterung, zur Extraktion fehlender Schlüsselwörter und zum robusten Retrieval entwickelt, um die Identifikation von Entitäten, Relationen und Typen (ERL) zu verbessern. Darüber hinaus wird analysiert, wie ERL die Gesamtleistung von KGQA-Systemen beeinflusst.
AU  - Vollmers, Daniel
CY  - Paderborn
DO  - 10.17619/UNIPB/1-2566
DP  - Universität Paderborn
LA  - ger
N1  - Tag der Verteidigung: 13.05.2026
N1  - Universität Paderborn, Dissertation, 2026
PB  - Veröffentlichungen der Universität
PY  - 2026
SP  - 1 Online-Ressource (xviii, 185 Seiten) : Diagramme, Illustrationen
T2  - Heinz Nixdorf Institut (HNI)
TI  - Neural Entity Linking for Question Answering over Knowledge Graphs
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-58027
Y2  - 2026-06-17T04:05:50
ER  -