检测文本、表格与知识图谱间的知识不一致性

该研究提出 Kontrast 框架，用于检测文本、表格和知识图谱间的知识不一致性。通过 Text-to-SPARQL 和 LLM 推理，系统可分类信息粒度差异、直接冲突、时间变化和知识图谱不完整等矛盾。实验表明跨模态不一致普遍存在，并能揭示真实知识冲突、缺失结构和时间不匹配。

此前知识一致性检测多限于单一模态，本文首次提供系统化的跨模态不一致性检测方法与分类体系，并证明该问题在 Wikipedia 等广泛使用的数据源中普遍且具有实用价值。

Kontrast 使用 Text-to-SPARQL 将表格自然语言问题转化为 SPARQL 查询，从知识图谱获取证据；再通过 LLM 推理比较表格答案与图谱证据，依据预设分类法标注不一致类型（如粒度差异、直接冲突等）。

对于依赖 Wikipedia/Wikidata 进行 RAG 或大模型预训练的团队，可借助 Kontrast 自动化审计不同数据源间的知识一致性，降低因矛盾数据导致的产品幻觉或错误输出，并辅助知识图谱的补全与校正。

• 基于 Kontrast 构建企业内部知识库一致性巡检工具，定期输出跨模态冲突报告。
• 将不一致性检测嵌入 RAG 流水线，当检索到矛盾信息时触发二次验证或拒绝回答。
• 利用该框架自动化发现知识图谱中缺失的关系或实体，辅助图谱迭代维护。

• Kontrast 在实际大规模 Wikipedia 数据集上的 Text-to-SPARQL 错误率是否影响实用性？
• 对于非英语或领域专业数据，LLM 推理与分类准确度是否显著下降？
• 该方法能否扩展到多模态图（如包含图像）的一致性检测？