Towards Ontology-Enhanced Representation Learning for Large Language Models
IQVIA（艾昆纬）
本文提出通过注入参考本体的语言与结构知识，利用生成式LLM编译概念定义集并结合对比学习微调嵌入大模型，有效提升了其在生物医学领域内的句子相似度评估能力且不损害领域外表现。
2024-05-30 cs.AI cs.CL
KNOW: A Real-World Ontology for Knowledge Capture with Large Language Models
Haltia, Inc.（哈尔蒂亚公司）
提出首个真实世界本体 KNOW，通过捕获人类生活普遍知识增强大语言模型，并提供 12 种编程语言库以促进 AI 互操作性与开发体验。
2024-05-30 cs.AI cs.CL
Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations?
University of Haifa（海法大学）；Aalborg University（奥尔堡大学）；Poznan University of Technology（波兹南工业大学）
本研究探索利用大型语言模型半自动扩充生物医学本体SNOMED-CT，通过对话交互分析临床指南以发现缺失概念及其关系，初步实验验证了方法的可行性。
2023-11-12 cs.AI cs.CL
Contextual Semantic Embeddings for Ontology Subsumption Prediction
The University of Manchester（曼彻斯特大学）；Zhejiang University（浙江大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）；University of Oxford（牛津大学）
自动化本体构建和策展是知识工程和人工智能中一项重要但具有挑战性的任务。通过上下文语义嵌入等机器学习技术进行预测是一个很有前途的方向，但相关研究仍处于初步阶段，尤其是对Web本体语言（OWL）中的表达型本体。在本文中，我们提出了一种新的包容预测方法命名为BERTSubs的OWL本体类。它利用预先训练的语言模型BERT来计算类的上下文嵌入，其中提出定制模板来并入类上下文（例如，相邻类）和逻辑存在性限制。BERTSubs能够预测多种包含者，包括来自同一本体或另一本体的命名类，以及来自同一本体的存在性限制。对三个不同包容任务的五个真实世界本体的广泛评估表明了模板的有效性，BERTSubs可以显着优于使用（文字感知）知识图谱嵌入，非上下文词嵌入和最先进的OWL本体嵌入的基线。
2023-03-18 cs.AI cs.CL
Evontree: Ontology Rule-Guided Self-Evolution of Large Language Models
Zhejiang University（浙江大学）；University of Electronic Science and Technology of China（电子科技大学）；Ant Group（蚂蚁集团）
本文提出Evontree方法，通过提取领域本体知识、检测不一致性和自蒸馏微调，提升低资源专业领域LLM的自进化能力，实验表明其在医疗问答基准上准确率提升达3.7%。
2026-03-17 cs.AI cs.CL
Complex Ontology Matching with Large Language Model Embeddings
Universidade Federal Rural de Recife（累西腓联邦农村大学）
本文提出将 LLM 嵌入整合到基于对齐需求与 ABox 关系发现的表达性本体对应方法中，通过子图环境匹配及多项架构改进，使 F-measure 较基线提升 45%。
2025-02-19 cs.AI cs.CL
Specific Domain Ontology Construction Using Large Language Models
University of São Paulo (USP)（圣保罗大学）；Center for Artificial Intelligence (C4AI)（人工智能中心）
利用大语言模型作为领域专家自动构建概念层次结构，以巴西海洋领土为例评估GPT-3.5和GPT-4生成的本体，发现整体连贯但需优化。
2026-07-07 cs.AI cs.CL
Meronymic Ontology Extraction via Large Language Models
Imperial College London（帝国理工学院伦敦分校）；Sapienza University of Rome（罗马大学萨皮恩扎分校）；King’s College London（伦敦国王学院）
本文提出利用大语言模型从评论文本中全自动抽取商品整体-部分本体，并通过LLM评判证明其效果优于基于BERT的基线方法，为LLMs在本体抽取中的广泛应用奠定基础。
2025-11-09 cs.AI cs.CL
Exploring Large Language Models for Ontology Alignment
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）
本研究探讨了GPT系列和Flan-T5等大型语言模型在跨本体概念等价映射中的零样本适用性，初步发现精心设计的框架和提示下LLMs有潜力超越BERTMap等现有本体对齐系统。
2023-09-12 cs.AI cs.CL cs.LG
Ontology Population using LLMs
Kansas State University（堪萨斯州立大学）；Wright State University（莱特州立大学）
本研究针对知识图谱填充成本高、非结构化文本提取难的问题，探究大语言模型结合提示工程与模块化本体的应用效果，发现其在Enslaved.org中心本体任务中可提取约90%的基准三元组。
2024-11-03 cs.AI cs.CL
Towards Complex Ontology Alignment using Large Language Models
Kansas State University（堪萨斯州立大学）；Wright State University（莱特州立大学）
本文研究利用大型语言模型（LLMs）和基于提示的方法解决复杂本体对齐难题，通过集成丰富的本体模块，在自动化复杂对齐任务上取得重大进展。
2024-07-22 cs.AI
Ontology-Guided Reverse Thinking Makes Large Language Models Stronger on Knowledge Graph Question Answering
Harbin Institute of Technology（哈尔滨工业大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Joint Laboratory of HIT and iFLYTEK（哈工大与科大讯飞联合实验室）；University of Science and Technology of China（中国科学技术大学）；Pengcheng Laboratory（鹏城实验室）
本文提出Ontology-Guided Reverse Thinking框架，通过反向推理构建路径，提升大语言模型在知识图谱问答中的表现，实验表明其在WebQSP和CWQ数据集上达到最佳性能。
2026-06-29 cs.AI cs.CL
OAEI-LLM: A Benchmark Dataset for Understanding Large Language Model Hallucinations in Ontology Matching
Australian National University, School of Computing（澳大利亚国立大学，计算机学院）；Monash University, Faculty of Information Technology（墨尔本大学，信息技术学院）
OAEI-LLM数据集旨在通过评估本体匹配任务中大语言模型的幻觉现象，为理解LLM幻觉提供基准支持。
2026-01-29 cs.AI cs.CL cs.IR
Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model
Graduate School of Artificial Intelligence, POSTECH（浦项科技大学人工智能研究生院）；Department of Computer Science and Engineering, POSTECH（浦项科技大学计算机科学与工程系）
针对通用领域高质量G2T数据集稀缺的问题，研究提出利用LLM和Data-QuestEval生成含585万对数据的无本体WikiOFGraph数据集，实验证明在其上微调的PLM性能更优，为G2T数据生成提供了可扩展的有效方案。
2024-09-11 cs.AI cs.CL
Ontology Generation using Large Language Models
University of Bologna（博洛尼亚大学）；ISTC-CNR（意大利国家研究委员会认知科学与技术研究所）；Linköping University（林雪平大学）
本文提出 Memoryless CQbyCQ 和 Ontogenia 两种提示技术，利用大语言模型从用户故事和能力问题自动生成 OWL 本体，并通过多维评估证明其优于现有方法且显著超越新手建模能力。
2025-03-07 cs.AI
Using Large Language Models for OntoClean-based Ontology Refinement
Universität zu Köln（科隆大学）
本文探讨了将GPT-3.5和GPT-4等大型语言模型集成到基于OntoClean方法论的本体精化过程，通过两种提示策略实现高准确率的元属性标注，并提出开发插件软件以促进该集成。
2024-03-23 cs.AI
Large Language Models Assisting Ontology Evaluation
本研究提出OE-Assist框架，利用大语言模型辅助本体评估，通过自动化和半自动化CQ验证提升效率。
2025-07-19 cs.AI
LLMs4Life: Large Language Models for Ontology Learning in Life Sciences
University of Stuttgart（斯图加特大学）；University of Southampton（南安普顿大学）；University of Passau（帕绍大学）；Friedrich-Schiller-University Jena（弗里德里希·席勒·耶拿大学）
本文扩展 NeOn-GPT，结合提示工程与本体复用提升 LLM 在生命科学领域的多层本体生成能力，并通过 AquaDiva 本体验证其一致性、完备性与可扩展性。
2024-12-02 cs.AI
KROMA: Ontology Matching with Knowledge Retrieval and Large Language Models
Case Western Reserve University（凯斯西储大学）
KROMA提出一种基于检索增强生成和大语言模型的本体匹配框架，通过知识检索、提示增强与本体精炼优化性能，在多个基准上超越经典及LLM方法。
2025-09-11 cs.AI
OntoTune: Ontology-Driven Self-training for Aligning Large Language Models
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）
针对现有领域LLMs领域知识理解碎片化问题，提出本体驱动自训练框架OntoTune，通过上下文学习使LLMs与本体对齐，降低数据维护成本、提升泛化能力，在医疗领域本体内/外任务中性能优于现有方法且保留原始知识。
2025-02-08 cs.CL
GenOM: Ontology Matching with Description Generation and Large Language Model
The University of Manchester（曼彻斯特大学）
GenOM通过生成文本定义增强本体概念语义，结合嵌入模型检索对齐候选并利用精确匹配工具提升精度，实验表明其在生物医学领域表现优异，超越传统系统和近期大语言模型方法。
2026-04-02 cs.AI
OAEI-LLM-T: A TBox Benchmark Dataset for Understanding Large Language Model Hallucinations in Ontology Matching
Australian National University（澳大利亚国立大学）；Monash University（墨尔本大学）
OAEI-LLM-T是一个用于研究大规模语言模型在本体匹配中幻觉问题的TBox基准数据集，通过分类幻觉类型并提供评估工具，促进对LLM在OM任务中表现的深入理解。
2025-05-14 cs.AI cs.CL cs.IR
Generative Ontology Induction: Domain-Agnostic Schema Discovery from Document Corpora Using Large Language Models
Pivots Global（Pivots全球公司）
研究针对本体工程瓶颈，提出领域无关的生成式本体归纳框架GOI，从文档语料库归纳生成蓝图并输出类型化图，引入节点覆盖分数评估，实验表明该方法能高比例覆盖结构主干，且覆盖率不受文档类型熟悉度影响。
2026-07-21 cs.AI
Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management
Yonyou AI Lab（用友人工智能实验室）；Yonyou Network Technology Co., Ltd.（用友网络技术有限公司）
本文提出大型本体模型（LOM），通过构建、对齐和推理框架，实现企业知识管理中多源异构数据的整合与复杂语义推理，实验表明其在复杂图推理任务中表现优于现有模型。
2026-01-18 cs.AI cs.CL cs.LG
Language Model Analysis for Ontology Subsumption Inference
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）
本文提出OntoLAMA探测任务和数据集，评估预训练语言模型在本体包含推理上的知识，发现其背景知识少于NLI，但少量样本可显著提升性能。
2023-05-08 cs.AI cs.CL cs.LO
Large Language Models as Oracles for Ontology Alignment
City St George’s, University of London, UK（伦敦大学城市圣乔治学院）
本文提出利用大型语言模型作为预言机，通过验证高不确定性的对应关系子集，提升本体对齐任务的性能，在OAEI 2025中取得优异成绩。
2026-02-15 cs.AI
LLMs4OL: Large Language Models for Ontology Learning
TIB Leibniz Information Centre for Science and Technology（TIB莱布尼茨科学技术信息中心）
本文提出LLMs4OL方法，利用大语言模型通过零样本提示在术语类型化、分类发现和非分类关系提取三项任务上实现本体学习，并在涵盖词汇、地理和医学知识的多个数据集上评估了九个模型族。
2023-08-02 cs.AI cs.CL cs.IT
Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation
The University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出以 ChatGPT API 为推理核心、结合提示调优与 transformers 的本体自动构建工作流，生成 OWL/RDF/SPARQL 知识图谱，并通过 Pizza Ontology 对比和多式联运转运案例验证其城市决策支持价值。
2024-09-06 cs.AI
Feasibility of Structuring Stress Documentation Using an Ontology-Guided Large Language Model
College of Nursing, Seoul National University（首尔国立大学护理学院）；The Research Institute of Nursing Science, Seoul National University（首尔国立大学护理科学研究所）；Center of Human-Caring Nurse Leaders for the Future by the Brain Korea (BK 21) four project, College of Nursing, Seoul National University（首尔国立大学护理学院，韩国脑计划（BK21）第四阶段未来人文关怀护理领军人才中心）；College of Medicine, Seoul National University（首尔国立大学医学院）
本研究构建了心理压力本体MeSO，验证了用本体引导的大语言模型从叙述文本中结构化提取压力相关信息的可行性，为提升环境AI系统中压力记录的一致性与效用提供了可能。
2025-09-24 cs.CL
OLaLa: Ontology Matching with Large Language Models
University of Mannheim（曼海姆大学）
针对本体匹配中自然语言信息利用的问题，该研究提出OLaLa原型系统，通过对开源大语言模型应用零样本和少样本提示，在OAEI任务上取得了与使用大量基准真值的监督系统相当的效果。
2023-11-07 cs.CL cs.IR
OPAL: Ontology-Aware Pretrained Language Model for End-to-End Task-Oriented Dialogue
Shanghai Jiao Tong University（上海交通大学）；AISpeech Co., Ltd.（思必驰有限公司）
提出了一种面向任务的端到端对话的本体感知预训练语言模型（OPAL）。与聊天对话模型不同，面向任务的对话模型至少实现两个特定于任务的模块：对话状态跟踪器（DST）和响应生成器（RG）。对话状态由域-槽-值三元组组成，作为用户搜索域相关数据库的约束条件。带有注释的结构化对话状态的大规模面向任务的对话数据通常是不可访问的。它阻碍了为面向任务的对话开发预先训练好的语言模型。我们提出了一个简单而有效的预训练方法来缓解这个问题，它包括两个预训练阶段。第一阶段是对大规模上下文文本数据进行预训练，其中文本的结构化信息由信息提取工具提取。为了弥合预训练方法和下游任务之间的差距，我们设计了两个预训练任务：类似本体的三重恢复和下一个文本生成，分别模拟DST和RG。第二阶段是根据TOD数据对预训练模型进行微调。实验结果表明，我们提出的方法取得了令人兴奋的提升，并获得竞争力的性能，即使没有任何TOD数据的CamRest 676和MultiWOZ基准。
2022-09-10 cs.CL
Utilizing Large Language Models for Zero-Shot Medical Ontology Extension from Clinical Notes
Department of Computer Science（计算机科学系）；Emory University（埃默里大学）；College of Public Health（公共卫生学院）；Temple University（temple大学）；School of Information（信息学院）；Florida State University（佛罗里达州立大学）；Hubert Department of Global Health（全球健康部）；Nell Hodgson Woodruff School of Nursing（Nell Hodgson Woodruff护理学院）
CLOZE利用大型语言模型从临床笔记中自动提取医学实体，实现零样本医学本体扩展，具有高准确性和隐私保护能力。
2025-11-20 cs.AI
Predicting Microbial Ontology and Pathogen Risk from Environmental Metadata with Large Language Models
Department of Electrical and Computer Engineering, Drexel University, Philadelphia, United States（电气与计算机工程系，德雷塞尔大学，费城，美国）；MODULABS, Seoul, Korea（MODULABS，首尔，韩国）
针对仅含元数据的微生物组研究中传统模型泛化差的问题，本研究用大语言模型仅靠环境元数据实现微生物本体分类与大肠杆菌污染风险预测，在多数据集上优于传统模型，为相关领域提供新方案。
2025-07-29 cs.CL
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)（信息管理与数字化研究学院）
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法，通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
End-to-End Ontology Learning with Large Language Models
University of Cambridge（剑桥大学）；University of Edinburgh（爱丁堡大学）
针对现有本体学习方法仅处理子任务、无法捕捉子任务交互的问题，提出OLLM方法，通过带自定义正则化器的LLM微调从零构建本体分类主干，搭配新评估指标，在多领域表现更优且适配性强。
2024-10-31 cs.CL cs.LG
Chatbot-Based Ontology Interaction Using Large Language Models and Domain-Specific Standards
Helmut Schmidt University（赫尔穆特·施密特大学）
本文提出利用大语言模型和聊天机器人界面将自然语言转换为严格基于本体事实的SPARQL查询，并融合领域标准文本提升准确性，实验验证了该方法在防止模型编造和提升查询质量方面的显著优势。
2024-10-17 cs.AI cs.IR
Development of Ontological Knowledge Bases by Leveraging Large Language Models
本文提出利用大语言模型开发本体知识库的结构化迭代方法，通过案例研究展示加速本体构建、提升一致性及透明度的贡献。
2026-03-13 cs.AI cs.IR
Large Language Models for Scholarly Ontology Generation: An Extensive Analysis in the Engineering Field
Knowledge Media Institute, The Open University（知识媒体研究所，开放大学）；Department of Business and Law, University of Milano Bicocca（商业与法律系，米兰比可卡大学）
本文研究了大型语言模型在工程领域生成学术本体的能力，通过评估多种模型发现，小型量化模型在优化后可达到大型专有模型的性能，且计算资源需求更低。
2025-06-11 cs.AI cs.DL cs.IR
'Just Enough' Ontology Engineering
University of Strathclyde（思克莱德大学）
本文介绍了“刚刚好”的原则和“系统工程”的方法，本体开发的实践，提供一个最小的但完整的，轻量级的，敏捷的和集成的开发过程，支持利益相关者管理和实现的独立性。
2011-08-06 cs.AI
Accelerating Knowledge Graph and Ontology Engineering with Large Language Models
Wright State University（莱特州立大学）；Kansas State University（堪萨斯州立大学）
本文提出利用大型语言模型加速知识图谱与本体工程的关键任务，将其确立为新兴研究领域，并强调模块化本体方法的核心重要性。
2024-11-14 cs.AI
The African Wildlife Ontology tutorial ontologies: requirements, design, and content
University of Cape Town（开普敦大学）
背景大多数教程本体侧重于说明本体开发的一个方面，特别是语言功能和自动推理机，但忽略了本体开发的因素，如紧急建模指南和本体论原则。然而，初学者从他们进行的练习中复制例子。不提供好的例子整体上导致传播次优本体开发，这可能会对一个真正的领域本体的质量产生负面影响。结果我们确定了22个要求，一个好的教程本体应该满足有关学科领域，逻辑和推理，工程方面。我们开发了一套关于非洲野生动物的本体论作为教程本体论。大部分的要求已经满足了一套非洲野生动物本体教程本体，这是本文介绍的。非洲野生动物本体是成熟的，自2010年以来每年都在本体工程课程或教程中使用，并被纳入最近的本体工程教科书，其中有相关的例子和练习。结论非洲野生动物本体论提供了广泛的选择有关的例子和练习的本体工程远远超出了只说明语言功能和自动推理。它有助于演示有关本体质量的任务，例如与基础本体的对齐和满足能力问题、版本控制和多语言本体。
2019-05-23 cs.AI
A Novel Approach to Multimedia Ontology Engineering for Automated Reasoning over Audiovisual LOD Datasets
Flinders University（弗林德斯大学）
多媒体推理，这是适合于，除其他外，多媒体内容分析和高层次的视频场景解释，依赖于所表示的知识域的正式和全面的概念化。然而，大多数多媒体本体论在角色定义方面并不详尽，并且不包含复杂的角色包含和角色相互依赖性。事实上，大多数多媒体本体根本没有角色盒，并且仅实现可用逻辑构造器的基本子集。因此，它们在多媒体推理中的应用是有限的。为了解决上述问题，VidOnt，第一个具有SROIQ（D）表达性和DL安全规则的多媒体本体已经被引入下一代多媒体推理。与通常的做法相反，正式的基础已经设置在最具表现力的描述逻辑之一，并与行业领先的推理机，即HermiT和FaCT++验证本体。本文还介绍了开发多媒体本体的最佳实践，基于我的本体工程方法。
2016-08-26 cs.AI
OntoChat: a Framework for Conversational Ontology Engineering using Language Models
King’s College London（伦敦国王学院）；Cefriel – Politecnico di Milano（Cefriel - 米兰理工大学）；Vienna University of Economics and Business（维也纳经济大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对大型项目中多方交互导致的本体工程需求获取歧义与人工依赖问题，提出对话式本体工程框架OntoChat，支持需求获取、分析和测试，通过对话代理辅助用户故事创建、胜任力问题提取及早期本体测试，并在Music Meta Ontology复制实验中验证了有效性。
2024-04-26 cs.AI
A Note on Ontology and Ordinary Language
Computing and Statistical Sciences Center（计算与统计科学中心）；American Institutes for Research（美国研究院）
我们主张一种基于强类型本体的组合语义，它反映了我们对世界的常识性看法和我们谈论它的方式。假设这样一种结构，我们表明，各种自然语言现象的语义可能变得几乎微不足道。
2007-05-07 cs.AI cs.CL
Investigating Language Model Capabilities to Represent and Process Formal Knowledge: A Preliminary Study to Assist Ontology Engineering
Université Côte d’Azur（法国滨海大学）；Inria（法国国家信息与自动化技术研究所）；CNRS（法国国家科学研究中心）；I3S（国际科学计算研究所）；Sophia Antipolis, France（法国索菲亚大学）；Data ScienceTech Institute (DSTI)（数据科学技术研究所）
本文探究将形式化方法引入小语言模型（SLMs）以提升推理能力，发现用紧凑逻辑语言替代自然语言在推理任务上仍能保持高性能，从而辅助本体工程。
2025-09-12 cs.AI
Leveraging LLMs for Collaborative Ontology Engineering in Parkinson Disease Monitoring and Alerting
Intelligent Systems Laboratory, Department of Cultural Technology and Communication, University of the Aegean（爱琴海大学智能系统实验室）；Artificial Intelligence Laboratory, Department of Digital Systems, University of Piraeus（比雷埃克斯大学人工智能实验室）
本文研究了利用大语言模型进行帕金森病监测与预警本体工程，通过人机协作提升本体的全面性和准确性。
2025-12-16 cs.AI
DeepOnto: A Python Package for Ontology Engineering with Deep Learning
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；Samsung Research（三星研究院）
针对现有本体工具缺乏深度学习适配能力、跨语言生态不兼容的问题，本文提出Python工具包DeepOnto，基于OWL API封装扩展本体处理能力，集成预训练语言模型等深度学习方法支持本体工程任务，并通过两个实际用例验证其实用性。
2024-03-09 cs.AI cs.CL cs.LG
Insights from an OTTR-centric Ontology Engineering Methodology
Bielefeld University（比勒费尔德大学）；University of Oslo（奥斯陆大学）
本文提出以OTTR模板为核心的本体工程方法论，结合自底向上与自顶向下流程，在材料科学领域验证了其在促进领域专家沟通和降低设计决策变更成本方面的价值。
2023-09-22 cs.AI cs.DB
A RAG Approach for Generating Competency Questions in Ontology Engineering
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对本体工程中能力问题生成依赖专家、耗时费力的问题，提出基于检索增强生成（RAG）的方法，以领域科学论文为知识库自动生成CQs，实验表明该方法比零样本提示性能更优。
2025-02-11 cs.AI
Discovering Beaten Paths in Collaborative Ontology-Engineering Projects using Markov Chains
Graz University of Technology（格拉茨工业大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）；Stanford University（斯坦福大学）
以国际疾病分类（ICD）作为分类法或以国家癌症研究所主题词表作为基于OWL的本体的形式的生物医学分类法、主题词表和本体，在获取、表示和处理有关人类健康的信息方面发挥着关键作用。随着越来越多的采用和相关性，生物医学本体的大小也显着增加。例如，世界卫生组织目前正在积极开发的ICD第11次修订版包含近50，000个类别，代表了各种不同的疾病和死亡原因。这种规模上的进化伴随着本体论设计方式的进化。由于没有一个人拥有开发这种大规模本体的专业知识，本体工程项目已经从仅涉及少数领域专家的小规模努力发展到需要数十甚至数百名专家，从业者和其他利益相关者之间有效合作的大规模项目。了解这些利益相关者如何合作将使我们能够改善支持此类合作的编辑环境。我们揭示了如何大型本体工程项目，如ICD在其第11次修订，展开使用马尔可夫链分析不同规模和范围的五个不同的生物医学本体工程项目的使用日志。我们发现有趣的互动模式（例如，用户随后改变哪些属性），这表明大型协作本体工程项目由确定和驱动开发的几个一般原则支配。从我们的分析中，我们确定了不同项目之间的共性和差异，对项目经理，本体编辑，开发人员和贡献者在生物医学领域的协作本体工程项目和工具的工作有影响。
2016-02-29 cs.AI cs.DL cs.SI
LLM-Assisted Ontology Engineering and Construction of a French Legal Knowledge Graph
Université Côte d'Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Berger-Levrault（贝尔热-勒弗罗公司）
针对法国维护法规处理难题，提出两阶段大语言模型辅助工作流程，先进行本体工程，再构建知识图谱。经实验，该流程输出强大、对齐良好，减少重复，明确关键细化步骤。
2026-07-28 cs.AI
Azhary: An Arabic Lexical Ontology
Azhar University（爱资哈尔大学）
阿拉伯语是闪米特语系中使用最多的语言，也是世界上最常见的语言之一，有超过4.22亿人使用。它对穆斯林也至关重要，它是伊斯兰圣书（古兰经）的神圣语言，伊斯兰教的祈祷（和其他崇拜行为）只能通过掌握一些阿拉伯语单词来完成。阿拉伯语也是阿拉伯世界许多基督教教堂的主要仪式语言，在中世纪也用于撰写一些知识和宗教犹太书籍。尽管如此，有没有语义阿拉伯语词汇的研究人员可以依靠。在本文中，我们介绍Azhary作为一个词汇本体的阿拉伯语。它将阿拉伯语的单词分为同义词集合，并记录了单词之间的一些关系，如同义词，反义词，上位词，下位词，部分词，全词和联想关系。本体包含26，195个单词，组织在13，328个同义词集中。它已经开发和对比AWN，这是最常见的阿拉伯语词汇本体。
2014-11-07 cs.AI cs.CL
Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation
University of Bologna, Italy（博洛尼亚大学，意大利）；ISTC-CNR, Italy（ISTC-意大利国家研究理事会）；Linköping University, Sweden（林雪平大学，瑞典）
本研究探讨了大型语言模型在自动本体生成中的应用，通过95个能力问题测试DeepSeek和o1-preview在六个领域的表现，发现其性能跨领域高度一致，验证了LLM在可扩展、领域无关本体构建中的潜力。
2025-04-24 cs.AI
LLM-based Zero-shot Triple Extraction for Automated Ontology Generation from Software Engineering Standards
Computer Science Department（计算机科学系）；Charleston Southern University（查尔斯顿南方大学）
本文提出基于LLM的零样本三元组提取方法，用于从软件工程标准中自动生成本体，通过改进的工作流程和专家标注集验证了其有效性。
2026-01-10 cs.AI cs.SE
