Enhancing supply chain visibility with knowledge graphs and large language models
| 項目 | 内容 |
|---|---|
| 論文ID | P57 |
| 区分・分類 | 論文・応用 |
| 著者・所属 | Sara AlMahri, Liming Xu, Alexandra Brintrup（Institute for Manufacturing, Department of Engineering, University of Cambridge。Brintrup は The Alan Turing Institute も兼務） |
| 発表先 | International Journal of Production Research |
| 発表日 | 2025-11-05 |
| 引用数 | 30（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1080/00207543.2025.2575841 |
| 論文/pdf/P57.pdf | |
| 読んだ範囲 | 全文（arXiv v1 プレプリント 2024-08-05版。IJPR 掲載版は未確認） |
論文タイプ
応用。既存の LLM（GPT-4）のゼロショットプロンプトと知識グラフ（KG）を組み合わせ、サプライチェーン可視化という特定領域に当てはめ、EV のケーススタディで検証しているため。
研究の目標
サプライチェーンの可視性はリスク管理に欠かせないが、取引先どうしの情報共有が進まない（信頼が無く、弱みの露呈や競合に有利になることを恐れる）ため、tier-1 より先が見えにくい。Web の公開情報は分散していて構造化されておらず、従来の NER/RE はドメイン固有のラベル付きデータと fine-tuning を必要とした。本論文は、関係者が情報を共有してくれるかに依存せず、公開情報から LLM のゼロショットで情報を抽出して KG を構築し、tier-2 を超える可視性を得ることを狙う。
技術的なやり方
| 段階 | 内容 |
|---|---|
| データ収集 | Web ページ・記事・Wikipedia などの非構造テキストを集める。生成する KG は静的（時系列は対象外） |
| NER | GPT-4 にゼロショットで Prompt 1（T1〜T8）を与える。エンティティ種別ごとの定義と3つ以上の例（入出力の例は与えない）、key-value 形式での出力、追加情報をプロパティとして付ける指示 |
| RE | 同じ Prompt 1 の T9〜T16。関係の定義、対象とする関係（例：Produces, LocatedIn, SuppliesTo）を意味的に同じ表現も含めて定義、ラベルの書式 |
| エンティティ曖昧性解消 | Prompt 2。LLM に意味とエンティティ識別の専門家の役を与え、ノード種別ごとのリストに対し、同じ実体には同じ番号、別の実体には別の番号を振らせて統合する |
| 可視化 | Neo4j |
- 評価データ：EV 関連企業（鉱山会社・電池メーカー・EV メーカー）の Wikipedia ページ計 1,277 文。エンティティ6種（Company, Location, Material, Person, Product, Mine）、関係4種（locatedIn, suppliesTo, owns, produces）
- 指標：正解率（Accuracy）のみ。見逃しを人手で特定するのが困難なため precision・recall・F 値は出していない。一貫性は同じデータで7回独立に実行し、件数のばらつきで評価
- ケーススタディ：Toyota, Tesla, BMW, BYD（EV）、Samsung SDI, CATL, Panasonic（電池）、Zijin Mining, Albemarle, Tianqi Lithium, Ganfeng Lithium, Norilsk Nickel, Jinchuan Group（鉱山）の Wikipedia ページ
結果
| 項目 | 値 |
|---|---|
| NER 正解率 | 0.95（Company・Product・Mine はほぼ完全） |
| RE 正解率 | 0.82（関係別の最低は suppliesTo の 0.71） |
| 曖昧性解消 正解率 | 0.98（867ノード → 732、135件を統合） |
| 抽出数 | 735ノード、433関係 |
| 7回実行の一貫性 | ノード数 平均223.86・標準偏差6.22・変動係数0.03／関係数 平均137.43・標準偏差5.55・変動係数0.04 |
| 種別の変動係数 | ノード：Location 0.438（最低）、Material 0.960（最高）／関係：locatedIn 0.341（最低）、owns 0.891（最高） |
ケーススタディ（定性）：Audi の tier-2・tier-3 としてリチウム鉱山まで特定（Ganfeng Lithium が3つのリチウム鉱山を保有し、BMW・Tesla にも供給）。LG-Chemical が Audi の tier-1 でありながら Chrysler・SAIC Motor・Ford にも供給しているなど、共有・代替サプライヤーを可視化。ニッケルの供給網の一部をマッピング。
限界・課題
- KG が静的で、サプライチェーンの変化を捉えられない（今後 temporal KG を検討）
- 公開 Web データに頼るため、開示されていない情報は見えない
- KG の信頼性は情報源の信頼性に依存し、古い・不正確な情報で誤りが生じうる
- 意思決定者が KG から理解を引き出せるかは、さらなるユースケースでの検証が必要
- 評価は正解率のみ。recall の推定方法と gold standard の整備が今後の課題
- suppliesTo は言い回しが多様で精度が低い。few-shot や、関係が結ぶノード種別の制約で改善を提案
要点
GPT-4 のゼロショットプロンプトで公開テキストから NER・RE・エンティティ曖昧性解消を行い、サプライチェーン KG を自動構築する枠組み。Wikipedia 1,277 文で正解率 NER 0.95、RE 0.82、曖昧性解消 0.98。EV 電池の重要鉱物で tier-1 を超える可視化を示した。