KGCQual: Een Interpreteerbaar Kader voor het Evalueren van de Kwaliteit van Kennisgrafieken uit Tekst

Gepubliceerd 14 July 2026

Kennisgrafieken worden steeds vaker automatisch geconstrueerd, maar deze systemen kunnen onnauwkeurige of onvolledige triples introduceren, wat de prestaties beïnvloedt. Huidige evaluatiemethoden zijn vaak beperkt tot specifieke taken of kleinschalige handmatige verificatie. Dit artikel stelt een nieuw, interpreteerbaar meetinstrument voor dat de kwaliteit van automatisch gegenereerde kennisgrafieken beoordeelt door te vergelijken met een 'ideale' grafiek. Het framework omvat zowel een beoordeling op entiteitsniveau als op relationeel niveau, en is getest op verschillende geavanceerde extractiesystemen. De resultaten tonen aan dat het meetinstrument effectief is in het identificeren van tekortkomingen die andere metrics over het hoofd zien.