arXiv cs.CL· Saransh Kumar Gupta, Armaan Shah, Lipika Dey, Partha Pratim Das, Ramesh Jain·· 13 小时前AI 评分18
FKG.in 如何用半自动流程校验 LLM 增强的印度食谱知识
Validating FKG.in: Soundness Assessment in LLM-Augmented Indian Food Knowledge
AI 导读
研究团队为印度食物知识图谱 FKG.in 提出一套半自动的健全性评估流程，用于校验从非正式来源提取并经 LLM 增强的结构化食谱数据。该流程结合形式文法、词表检查、统计启发式、Set Transformer 连贯性建模与检索式验证，识别结构不一致、语义逻辑不连贯及偏离原文等失效模式。方法在印度食谱上评估，但可推广至多语言多文化烹饪领域。
正文 · AI 翻译
摘要：在线烹饪生态系统中，由 LLM 生成、修改或总结的食谱内容日益增多。尽管这类输出往往颇具说服力，但其中可能包含虚构的食材、错误的用量或文化上不合理的组合，从而限制了其在下游应用和知识图谱构建中的适用性。本文提出了一种半自动的可靠性评估工作流，用于验证从非正式烹饪来源中提取并经 LLM 增强的结构化食谱数据。该流程作为印度食品知识图谱 FKG(.in) 的一部分开发，通过结合形式语法、基于词汇的检查、统计启发式方法、基于 Set Transformer 的连贯性建模以及基于检索的验证的多阶段过程，识别并处理常见失效模式，包括结构不一致、语义与逻辑不连贯以及与源文本的偏差。尽管评估是在印度食谱上进行的，所提出的方法可适用于更广泛的多语言和多文化烹饪领域。我们提供了一种实用、可审计且与应用无关的方法，以提升 LLM 生成内容时代机器可读食品知识基础设施的可靠性。
| 评论： | 20 页，2 幅图，5 张表，29 篇参考文献 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用为： | arXiv:2608.29249 [cs.AI] |
| （或 arXiv:2608.29249v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.29249 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Saransh Gupta 先生 [查看邮箱]
[v1]
2026 年 8 月 29 日星期六 13:10:06 UTC（775 KB）
[v2]
2026 年 9 月 1 日星期二 03:34:21 UTC（775 KB）
[v3]
2026 年 10 月 27 日星期二 04:22:54 UTC（758 KB）
来源：arXiv cs.CL · arxiv.org