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
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
How Does A Text Preprocessing Pipeline Affect Ontology Matching?
Australian National University(澳大利亚国立大学);Monash University(莫纳什大学)
本文研究了文本预处理流程对本体匹配的影响,发现阶段1的分词和标准化比阶段2的停用词去除和词干提取更有效,并提出两种修复虚假映射的新方法。
2026-05-07 cs.CL cs.IR
Incentives or Ontology? A Structural Rebuttal to OpenAI's Hallucination Thesis
RA Software(RA软件公司);Sofia University “St. Kliment Ohridski”(索非亚大学“圣克里门特·奥里兹斯基”)
本文反驳OpenAI关于幻觉源于激励不匹配的观点,指出幻觉是Transformer架构的必然结果,需通过外部验证模块消除,而非改变激励或微调。
2025-12-16 cs.AI cs.CL cs.LG
Improving LLM-based Ontology Matching with fine-tuning on synthetic data
Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP(格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化研究所、格勒诺布尔理工大学)
本文提出通过生成合成数据并微调LLM,提升本体匹配任务的性能。
2025-11-27 cs.CL
Ontology-Constrained Generation of Domain-Specific Clinical Summaries
Polytechnique Montreal(蒙特利尔理工学院);LAMA-WeST
本文提出利用本体引导的约束解码方法生成领域特定的临床摘要,在MIMIC-III数据集上验证了该方法能减少幻觉并提升电子健康记录摘要的领域相关性。
2024-11-23 cs.AI cs.CL
Open Ontologies: Tool-Augmented Ontology Engineering with Stable Matching Alignment
The Tesseract Academy, London, United Kingdom(泰斯拉学院,伦敦,英国)
本文提出Open Ontologies系统,结合LLM驱动构建与形式OWL推理及本体对齐,发现稳定1对1匹配是本体对齐质量关键,且工具增强访问优于纯LLM解析。
2026-05-09 cs.AI cs.CL cs.DB
Evaluating Ontology Matching Systems on Large, Multilingual and Real-world Test Cases
University of Mannheim(曼海姆大学);University of Economics, Prague(布拉格经济大学);INRIA(法国国家信息与自动化研究所);LIG(格勒诺布尔信息学实验室);University of Oxford(牛津大学)
在本体匹配领域,对匹配系统的最系统的评估是由本体对齐评估倡议(OAEI)建立的,OAEI是由不同研究人员组织的用于评估本体匹配系统的年度活动。在本文中,我们报告了一个名为OAEI 2011.5的中介OAEI活动的结果。对这一运动的评价分为五个方面。其中三条轨道是新的或与以前的OAEI运动相比有所改进。总体而言,我们评估了18个匹配系统。我们讨论了经验教训,在可扩展性,多语言问题和处理来自不同领域的真实世界的情况下的能力。
2012-08-15 cs.AI
SANOM Results for OAEI 2019
Delft University of Technology(代尔夫特理工大学);TNO Research institute(TNO研究院)
基于模拟退火的本体匹配(SANOM)第二次参加2019年本体对齐评估计划(OAEI)。本文介绍了SANOM的配置及其在解剖和会议轨道上的结果。与OAEI 2017相比,SANOM有了显着改善,其结果与最先进的系统相比具有竞争力。特别是,SANOM在会议跟踪中的参与系统中具有最高的召回率,并且在F-测量方面与表现最好的系统AML竞争。SANOM在解剖学方面也与LogMap具有竞争力,LogMap是该领域中性能最好的系统,无需使用特定的生物医学背景知识。SANOM已被改编为HOBBIT平台,现在可供注册用户使用。
2020-06-09 cs.AI
The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias
University of Mannheim(曼海姆大学)
本体对齐评估计划(OAEI)是本体匹配工具的年度评估。2018年,我们已经开启了知识图谱赛道,其目标是评估大规模知识图谱的实体和模式的同步匹配。在本文中,我们讨论了轨道的设计和两种不同的策略的金本位创造。我们分析的结果和经验,在第一版的轨道,并揭示了一个隐藏的任务,我们表明,所有的工具提交给轨道(可能也是其他轨道)遭受的偏见,我们命名为金锤偏见。
2020-02-24 cs.AI cs.DB
DKP-AOM: results for OAEI 2015
Université Lumière Lyon2(里昂第二大学)
在本文中,我们介绍了我们的DKP-AOM系统在OAEI 2015活动中获得的结果。AOM是一个本体合并工具,旨在合并异构本体。在OAEI中,我们参与了其本体映射组件,该组件作为一个基本模块,能够在合并之前匹配大规模本体。这是我们第一次成功参加会议,OA 4 QA和OAEI的解剖学轨道。DKP-AOM参与了两个版本(DKP-AOM和DKP-AOM_lite),DKP-AOM执行一致性分析。在OA 4 QA跟踪中,DKPAOM在评估中表现出色,并生成了准确的比对,可以回答评估中的所有查询。我们还可以看到它在其他知名系统中的评估计划中的会议轨道的竞争结果。在解剖轨迹中,它在分配的时间内产生了对齐,并出现在产生连贯结果的系统列表中。最后,我们讨论了一些未来的工作对DKP-AOM的发展。
2015-10-06 cs.AI
LLM-based Triplet Extraction from Financial Reports
KTH Royal Institute of Technology(皇家理工学院)
本文提出基于大语言模型的财务报告三元组提取方法,通过自动本体诱导和混合验证策略,提升提取准确率并减少幻觉问题。
2026-02-12 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
Ontology-Aware RAG for Improved Question-Answering in Cybersecurity Education
本文提出CyberRAG,一种面向本体的检索增强生成方法,用于提升网络安全教育中问答系统的可靠性与准确性。
2025-11-24 cs.AI cs.CY
TextMineX: Data, Evaluation Framework and Ontology-guided LLM Pipeline for Humanitarian Mine Action
NEC Laboratories Europe(NEC欧洲实验室);University of Stuttgart(斯图加特大学);VAGO Solutions(VAGO解决方案);Zurich University of Applied Sciences(苏黎世应用科学大学);CAIR, Ss. Cyril and Methodius University of Skopje, North Macedonia(CAIR,斯科普耶塞尔维亚·梅托迪乌斯大学,北马其顿)
TextMineX通过构建首个HMA领域数据集和基于本体的LLM流水线,提升文本中领域知识的提取准确性与一致性。
2026-01-27 cs.AI cs.CL
Text2KGBench: A Benchmark for Ontology-Driven Knowledge Graph Generation from Text
IBM Research Europe(IBM欧洲研究院);Universidad Autonoma de Tamaulipas(塔毛利帕斯自治大学);Sharda University(夏尔达大学)
本文提出Text2KGBench基准,评估语言模型在本体引导下从文本生成知识图谱的能力,提供两个数据集和七个评估指标,基线实验表明仍有改进空间。
2023-08-04 cs.AI cs.CL
Dialogue Ontology Relation Extraction via Constrained Chain-of-Thought Decoding
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学)
本文针对无标注对话数据的本体关系抽取问题,提出将思维链解码约束到本体术语和关系的生成式方法,以降低幻觉风险,并在两个数据集上验证了其在微调和单样本大模型上的性能提升。
2025-03-07 cs.AI cs.CL cs.LG
Toward a Method to Generate Capability Ontologies from Natural Language Descriptions
Ruhr University(鲁尔大学);Chair of Automation(自动化研究所)
本文提出利用大型语言模型和少样本提示,从自然语言描述自动生成并验证能力本体,显著减少人工建模工作量。
2024-10-18 cs.AI cs.CL
Beyond Ontology in Dialogue State Tracking for Goal-Oriented Chatbot
Yonsei Univ.(延世大学);Onoma AI
本研究提出一种无需预定义本体论的对话状态跟踪方法,结合指令微调、提示策略与反幻觉机制,并利用变分图自编码器预测用户意图,在JGA上达到42.57%,超越现有无本体模型,提升了目标导向聊天机器人的适应性和准确性。
2024-10-30 cs.AI cs.CL
Can Structured Data Reduce Epistemic Uncertainty?
Sri Sivasubramaniya Nadar College of Engineering(斯里·西瓦苏布拉马尼亚·纳达尔工程学院)
提出利用本体对齐改善深度学习模型学习过程的框架,证明该方法能提升下游任务性能,并利用包含映射增强大型语言模型的检索增强生成,有效提高上下文相似度与事实准确性并减少幻觉。
2024-10-14 cs.AI
On Exploring the Reasoning Capability of Large Language Models with Knowledge Graphs
Singapore Management University(新加坡管理大学);National Sun Yat-sen University(国立中山大学)
本文研究大语言模型利用预训练知识图谱进行推理的能力,通过四类任务验证其记忆回忆与上下文推断表现,并识别出内容幻觉和本体幻觉两类问题。
2023-12-01 cs.AI cs.CL
Ontology-Constrained Neural Reasoning in Enterprise Agentic Systems: A Neurosymbolic Architecture for Domain-Grounded AI Agents
Golden Gate University, San Francisco Foundation(金门大学,旧金山基金会);AgenticOS (FAOS)(AgenticOS(FAOS));Associate Director, Data, Digital & IT Novartis Healthcare Pvt. Ltd.(数据、数字与IT部门,诺华健康有限公司);Novartis Healthcare Pvt. Ltd., Hyderabad, India(诺华健康有限公司,海得拉巴,印度)
本文提出了一种神经符号架构,通过本体约束神经推理解决企业大语言模型在幻觉、领域漂移和无法在推理层面强制执行监管合规性方面的限制,展示了该架构在提升智能体的指标准确性和角色一致性方面的显著效果。
2026-06-04 cs.AI cs.CL cs.SE
Exploring Wasserstein Distance across Concept Embeddings for Ontology Matching
College of Computing and Informatics, Drexel University(德雷塞尔大学计算与信息学院)
本体元素之间的距离度量是本体匹配的基础。基于字符串的距离度量因浅语法匹配而臭名昭著。在这项探索性研究中,我们研究了Wasserstein距离,目标是可以包含各种类型信息的连续空间。我们使用一个预先训练好的词嵌入系统来嵌入本体元素标签。我们研究的有效性Wasserstein距离测量本体之间的相似性,发现和细化匹配的单个元素之间。我们的实验与OAEI会议轨道和MSE基准取得了竞争力的结果相比,领先的系统。
2022-09-21 cs.AI
Machine Learning-Friendly Biomedical Datasets for Equivalence and Subsumption Ontology Matching
University of Oxford(牛津大学);City, University of London(伦敦城市大学);University of Oslo(奥斯陆大学);Samsung Research(三星研究院)
针对OAEI在包含映射、参考映射和ML评估上的不足,本文构建五个来自Mondo与UMLS的生物医学本体匹配任务及综合评估框架,并在OAEI 2022 BioML track公开。
2023-07-23 cs.AI cs.LG q-bio.GN
Handling Ontology Gaps in Semantic Parsing
Amazon(亚马逊);Sapienza University of Rome(罗马智慧大学)
本文针对封闭世界假设下神经语义解析模型易产生幻觉的问题,提出幻觉模拟框架HSF,并利用模型计算图设计新的幻觉检测策略,在KQA Pro上显著提升了本体缺口和域外话语场景下的检测性能。
2024-06-27 cs.AI cs.CL
Structural Weights in Ontology Matching
University of Sistan and Baluchestan(锡斯坦-俾路支斯坦大学);University of Isfahan(伊斯法罕大学)
本体匹配发现不同本体的相似实体之间的对应关系。两个本体可能在结构、语义等方面相似。大多数本体匹配系统集成多个匹配器来提取两个本体可能具有的所有相似性。因此,我们面临着一个主要的问题,以聚合不同的相似性。一些匹配系统使用实验权重来聚合不同匹配器之间的相似性,而其他匹配系统使用机器学习方法和优化算法来找到分配给不同匹配器的最佳权重。然而,这两种方法都有自己的不足之处。本文将指出现有相似性聚合策略存在的问题和不足。然后,我们提出了一种新的策略,这使我们能够利用本体的结构信息来获得匹配器的权重,相似性聚合任务。为了实现这一目标,我们创建了一个新的本体匹配系统,它使用三个可用的匹配器,即GMO,ISub和VDoc。我们已经在OAEI 2012数据集上测试了我们的相似性聚合策略。实验结果表明,在几种情况下,特别是在匹配本体类的准确性显着提高。我们将比较我们的相似性聚合策略与其他知名的策略的性能
2013-11-15 cs.AI cs.IR
GraphMatcher: A Graph Representation Learning Approach for Ontology Matching
Free University of Berlin(柏林自由大学)
针对本体互操作性问题,本研究提出基于图注意力机制的本体匹配系统GraphMatcher,通过计算类及其周围术语的高阶表示来对齐语义相似实体,并在OAEI 2022会议赛道中取得显著成果。
2024-04-20 cs.AI
Enhancing Large Language Models through Neuro-Symbolic Integration and Ontological Reasoning
本文提出一种结合符号本体推理和机器学习的方法,通过迭代反馈提升LLM输出的一致性和事实准确性。
2025-12-04 cs.AI
MindMap: Knowledge Graph Prompting Sparks Graph of Thoughts in Large Language Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出 MindMap 提示流程,利用知识图谱增强 LLM 的外部知识推理与过程可解释性,并在医疗等问答任务及新幻觉基准上验证其效果。
2024-03-02 cs.AI cs.CL cs.LG
SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
Shanghai JiaoTong University(上海交通大学)
该研究针对大型语言模型逻辑推理的缺陷,提出结合逻辑知识图谱与动态求解器路由的神经-符号架构,在基准任务上优于现有方法,实现了可验证的高准确率逻辑推理。
2026-08-28 cs.AI cs.CL
Construction of Paired Knowledge Graph-Text Datasets Informed by Cyclic Evaluation
Apple Inc(苹果公司);University of Waterloo(滑铁卢大学)
本文通过循环评估验证KG-文本数据集中噪声与模型幻觉的关系,并据此提出改进数据集LAGRANGE及启发式方法,同时利用LLM构建合成数据集以分析循环生成性能差异。
2023-09-20 cs.CL
MEDLAYXPLAIN: Benchmarking the Expert-Lay Gap in Medical Vision-Language Models
Seoul National University(首尔大学);Seoul National University Hospital(首尔大学医院);Seoul National University College of Medicine(首尔大学医学院);Sungkyunkwan University School of Medicine(成均馆大学医学院)
提出首个大规模医学外行语言生成基准MedLayXPlain,包含12万+区域级样本和三层UMLS本体,通过HOVER管道构建外行描述,并引入轻量级评估器MedLayEval,揭示当前医学VLM在外行可读性与临床精度间的系统性差距。
2026-06-23 cs.AI cs.CL cs.CV
Evaluation of large language models for discovery of gene set function
University of California San Diego(加州大学圣地亚哥分校)
本研究评估五个LLM发现基因集共同生物学功能的能力,发现GPT-4在标准与组学基因集上表现最佳,可可靠识别可验证的新功能。
2024-04-01 cs.AI cs.CL q-bio.GN
STaR-DRO: Stateful Tsallis Reweighting for Group-Robust Structured Prediction
Yale University(耶鲁大学);Yale School of Medicine(耶鲁医学院)
提出STaR-DRO框架,结合Tsallis镜像上升和稀疏entmax映射,仅对持续困难群体上权重,在结构化预测中提升标签准确性和鲁棒性,在EPPC Miner任务上相比SFT和标准DRO分别提升F1分数1.08和2.20。
2026-06-15 cs.AI cs.LG
LLM-Based Agents for Competitive Landscape Mapping in Drug Asset Due Diligence
LanceBio Ventures;AI Expert
本文提出一种基于大语言模型的竞品发现 agent,通过结构化数据处理提升药物资产尽调效率,实现竞品检索与属性标准化,实验结果显示其召回率优于现有系统。
2026-05-08 cs.AI cs.IR cs.MA
Matching Weak Informative Ontologies
Southeast University(东南大学)
本文针对弱信息本体(WIOs)匹配难题,提出利用本体结构信息、语义子图约束和相似度传播模型的方法,并在Lily系统中实现,在OAEI基准上显著提升了召回率和精度。
2023-12-01 cs.AI
Comparison of ontology alignment systems across single matching task via the McNemar's test
Delft University of Technology(代尔夫特理工大学);Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学);TNO Research Institute(TNO 研究所)
本体对齐被广泛用于发现不同领域中不同本体之间的对应关系。在发现对齐之后,可以使用几个性能分数来评估它们。分数通常需要所识别的对齐和包含给定本体的潜在实际对应关系的参考。对齐评估的当前趋势是提出新的分数(例如,精度、加权精度等)并通过并置所获得的分数来比较各种比对。然而,在其他指标中选择一个指标进行比较是非常具有挑衅性的。最重要的是,声称一个系统是否具有比另一个更好的性能不能仅仅通过比较两个标量来证实。在本文中,我们提出的统计程序,使我们能够在理论上有利于一个系统比另一个。麦克内马尔的测试是统计手段,通过比较两个本体对齐系统,本文提出了一个匹配任务,该检验适用于一个2 × 2列联表,该列联表可以根据线路的不同情况用两种不同的方法构造,每种方法都有各自的优点和缺陷。文中详细阐述了列联表的构造方法和McNemar检验中的各种适用统计量。在有两个以上线路系统进行比较的情况下,预期会发生全族出错率。因此,也讨论了防止这种错误的方法。有向图可视化了在存在多个对齐系统的情况下McNemar测试的结果。从这个图中,很容易理解一个系统是否优于另一个系统,或者它们的差异是否无法察觉。所提出的统计方法被应用于参加OAEI 2016解剖跟踪的系统,并且还比较用于相同匹配问题的几个公知的相似性度量。
2018-04-20 cs.AI
TEXT2DB: Integration-Aware Information Extraction with Large Language Model Agents
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出TEXT2DB任务以解决IE输出与下游应用需求不匹配问题,并构建新基准与OPAL代理框架,通过观察、规划、分析组件协同生成代码计划并调用IE模型,成功实现跨数据库模式的自适应信息集成。
2025-10-30 cs.CL
Ontology-Guided Neuro-Symbolic Inference: Grounding Language Models with Mathematical Domain Knowledge
Advanced Institute for Artificial Intelligence (AI2)(人工智能研究院)
本研究通过引入形式化数学本体,提升语言模型在数学推理任务中的可靠性,验证了神经符号方法在增强形式化 grounding 方面的潜力与挑战。
2026-09-02 cs.AI cs.LG cs.SC
Domain-Specific Retrieval-Augmented Generation Using Vector Stores, Knowledge Graphs, and Tensor Factorization
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of New Mexico(新墨西哥大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Maryland Baltimore County(马里兰大学巴尔的摩分校);Advanced Research in Cyber Systems, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室网络系统高级研究部);Theoretical Division, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室理论部)
本文提出SMART-SLIC框架,将RAG与领域特定知识图谱和向量存储结合,并通过NLP、数据挖掘和非负张量分解构建知识库以避免幻觉,从而在无需微调的情况下提升领域特定问答准确性并支持信息来源归因。
2024-10-03 cs.AI cs.CL cs.IR
An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation
School of Mathematics and Statistics, Chongqing University(重庆大学数学与统计学院);Guangzhou Polytechnic Normal University(广州技术师范大学)
研究大型语言模型隐式编码世界模型的风险,提出数据优先本体并构建DaoQL多模态数据库。通过形式化显式世界模型,对比隐式模型优势。实验展示系统性能,如在反事实实验中DaoQL+GPT-4o可组合反事实可分解性大幅提升。
2026-07-21 cs.AI cs.DB
Walking on the DARKSIDE
该研究提出基于POLANYI++的DARKSIDE连贯性审计方法,以OWL2格式的扩展知识图谱为基础,通过凭证轴分类指称对象并设置升级规则,在BSBench上验证其可缩小LLM的模式与路径结构差距,提升对无意义输入的检测能力。
2026-09-09 cs.AI cs.LO