本文对比介绍四种使用大语言模型(LLM)构建文本知识图谱的方法。知识图谱创建过程复杂，涉及属性限制、特定主题/模式图谱构建及大规模文本处理。以下是四种方法的简述：

1. 使用LLM预训练本体：LLM已预训练于标准本体如SCHEMA、ORG、FOAF等，通过适当提示，结合非结构化文本，生成所需图谱结构。此方法简单，输出效果好，但转换仅限于预训练本体，生成的实体需在图谱间对齐。

2. 在LLM提示中添加本体：使用非标准或自定义本体时，需在提示中包含完整本体，以实现文本转换。此法能理解并转换使用RDF、RDFS和OWL表示的本体，但提示长度大幅增加，导致成本和响应时间上升，结果仍需对齐。

3. 使用本体进行微调：为解决预训练本体局限性，可以通过微调LLM。将图谱映射为三元组进行训练，简化提示，保持简洁度和成本。微调需设计微调和RDF转换训练集，以确保LLM准确理解自定义本体及转换质量。

4. 改进微调提示：结合使用多个本体时，LLM能复用预训练本体知识，提高效率。但需管理在本体间同一概念的返回选择。四种方法各有优劣，准确性和实体对齐仍需后续文章探讨。

总结：LLM有效转换非结构化文本至RDF图谱，自定义本体微调方法在成本和效率上表现优越。然而，准确性测试及转换后实体对齐策略需进一步研究。