知识卡片：检测文本、表格与知识图谱间的知识不一致性

一句话结论

本文提出了一种跨模态不一致检测方法（Kontrast），能够自动识别并分类维基百科文本/表格与Wikidata知识图谱之间的知识冲突、粒度差异、时间变化及知识图谱不完整性，揭示了多模态知识间的互补与校正潜力。

事件概述或研究问题

维基百科和Wikidata的知识分散在文本、表格和知识图谱三种模态中，当这些模态对同一事实的表述不一致时，如何自动检测并解释冲突成为关键问题。本文将之定义为“模态级不一致检测”（modality-level inconsistency detection），并构建了相应的分类体系和自动化框架。

方法/产品要点

• Kontrast框架：利用Text-to-SPARQL将表格问题转化为知识图谱查询，再通过LLM推理将表格答案与知识图谱证据进行比较，并对不一致进行分类。
• 不一致分类法：涵盖四类——信息粒度差异、直接冲突、时间变化、知识图谱不完整性。
• 实验数据集：基于多个Table-QA数据集进行评测。

主要结果或产业意义

• 实验表明跨模态不一致现象普遍存在且具有信息量；不仅揭示了真正的知识冲突，还发现了知识图谱的结构缺失和时间错配。
• Kontrast为大规模知识审计提供了实用工具，并建立了跨模态知识一致性的基准。

为什么重要

本研究首次系统性地将“文本-表格-知识图谱”三种模态之间的不一致作为独立问题提出，并给出了自动检测与分类方案。这有助于提升多模态知识库的可靠性，对LLM预训练和检索增强生成的质量控制具有直接参考价值。相比已有关于知识图谱问答或知识图谱构建的工作（如RSF-GLLM），本工作聚焦于不同模态间的一致性校验而非单一模态上的推理。

局限与不确定性

• 框架性能受限于Text-to-SPARQL的转换错误和噪声。
• 待核实：是否对除维基百科/Wikidata外的其他知识源适用。
• 待核实：分类法的完整性和跨语言适应性。

可用于图书/PPT/简报的角度

• 图表示例：展示同一事实在文本、表格和知识图谱中不一致的典型场景（如人口数据不同年份版本）。
• 业务流程：将Kontrast嵌入知识库维护流水线，自动标记可疑条目供人工审核。
• 对比分析：与其他知识消歧或冲突检测方法（如基于嵌入的语义相似度）的优劣讨论。

与既有脉络的关系

本卡片聚焦跨模态不一致检测，与已有卡片中关于特定领域知识图谱（GlaKG）或知识图谱问答（RSF-GLLM）的方法互补，提供了知识质量审计的新视角。

原始材料

• 英文标题：Detecting Knowledge Inconsistencies Across Text, Tables, and Knowledge Graphs
• 英文关键词：cross-modal inconsistency detection, knowledge graphs, tables, LLM, Text-to-SPARQL, Kontrast
• 来源：arXiv:2607.25959v1, cs.CL, cs.AI
• URL：https://arxiv.org/abs/2607.25959v1
• 代码与数据：https://github.com/ECLADATTA/KONTRAST
• 作者：Fanfu Wei, Thibault Ehrhart, Raphaël Troncy
• 发布日期：2026-07-28