Hypergraph Enterprise Agentic Reasoner over Heterogeneous Business Systems
SUPCON
本文提出HEAR，一种基于分层超图本体的企业代理推理器，通过分层图层和超边层实现结构化多跳分析，无需重新训练LLM，在供应链任务中达到94.7%的准确率，并展示出适应性和效率。
2026-09-09 cs.AI cs.CL
Auditable by Construction: An Ontology-Driven Framework for Trustworthy LLM Analytics in Enterprise Finance
本文针对企业金融大语言模型应用的信任问题，提出知识驱动分析框架KDAF，结合本体与CARP技术，在FinanceBench评估中，其可审计性优于基线方法，表明可审计性是该框架的核心优势。
2026-08-24 cs.AI cs.CE 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
OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；Tencent（腾讯）；University of Oxford（牛津大学）
语义嵌入已被广泛研究用于对齐知识图谱（KG）实体。目前的方法已经探索和利用了图结构，实体名称和属性，但忽略了本体（或本体模式），其中包含关键的Meta信息，如类和它们与实体的成员关系。在本文中，我们提出了一个本体指导的实体对齐方法命名为OntoEA，其中两个KG和它们的本体联合嵌入，类层次结构和类不相交性，以避免错误的映射。在七个公共和工业基准上的广泛实验证明了OntoEA的最新性能和本体的有效性。
2021-05-24 cs.AI cs.CL cs.LG
Truveta Mapper: A Zero-shot Ontology Alignment Framework
Truveta
本研究将本体匹配视为翻译任务，提出零样本端到端框架Truveta Mapper，基于多任务序列到序列Transformer实现跨本体对齐，在OAEI22基准上优于现有方法，且复杂度低、后处理少。
2023-08-22 cs.AI cs.CL cs.LG
BERTMap: A BERT-based Ontology Alignment System
University of Oxford（牛津大学）；Samsung Research（三星研究院）
本体对齐（也称为本体匹配（OM））在知识集成中起着至关重要的作用。由于机器学习在许多领域的成功，它已经在OM中得到了应用。然而，现有的方法，往往采用ad-hoc特征工程或非上下文词嵌入，尚未优于基于规则的系统，特别是在无监督的设置。在本文中，我们提出了一种新的OM系统命名BERTMap，它可以支持无监督和半监督设置。该方法首先在文本语义语料库上使用基于上下文嵌入模型BERT的分类器预测映射，然后利用本体的结构和逻辑，通过扩展和修复来细化映射。我们对生物医学本体的三个对齐任务的评估表明，BERTMap通常比领先的OM系统LogMap和AML表现得更好。
2022-05-03 cs.AI cs.CL cs.LG
Using off-the-shelf LLMs to query enterprise data by progressively revealing ontologies
RelationalAI
针对LLM因token限制无法容纳大型企业本体的问题，提出逐步揭示恰好足够本体内容的零样本提示解决方案，以提升自然语言到形式化查询的转换准确率。
2024-10-11 cs.AI cs.DB
IRSKG: Unified Intrusion Response System Knowledge Graph Ontology for Cyber Defense
Mississippi State University（密西西比州立大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出统一入侵响应系统知识图谱本体IRSKG，通过整合异构监控日志与管理员策略并支持动态更新，简化AICA接入流程，提升自动化与可解释性，从而缩短关键响应时间。
2024-11-23 cs.AI cs.CR cs.LG
OntologyAligner: Ontology-Aligned Retrieval and Hierarchy-Guided Large Language Model Reranking for Biomedical Ontology Normalization
West China Hospital, Sichuan University（四川大学华西医院）；Chengdu Medical College（成都医学院）
提出OntologyAligner三阶段框架，结合本体对齐检索、大语言模型重排序和层级引导精炼，并构建PhenoNormBench基准，在HPO标准化上取得最先进性能，且可移植至其他本体。
2026-09-10 cs.AI cs.CL
RDF2Vec-based Classification of Ontology Alignment Changes
RheinMain University of Applied Sciences（莱茵美因应用科学大学）
当本体覆盖重叠的主题时，可以使用本体对齐来表示重叠。这些对齐需要不断适应不断变化的本体。特别是对于大型本体，这是一项昂贵的任务，通常包括手动工作。找到不会导致比对调整的更改可能会使该过程变得更加容易。这项工作提出了一种方法来找到这些变化的基础上RDF嵌入和常见的分类技术。为了研究这种方法的可行性，一个真实世界的数据集上的评价。在这次评估中，最好的分类器达到了0.8的精度。
2018-05-23 cs.AI cs.CL
Conversational Ontology Alignment with ChatGPT
Kansas State University（堪萨斯州立大学）
本文通过将 ChatGPT 的朴素对话输出与 OAEI 2022 会议赛道结果对比，评估其在本体对齐任务中的适用性、效率及优缺点。
2023-08-18 cs.CL
Mind the Data Gap: Bridging LLMs to Enterprise Data Integration
University of Washington（华盛顿大学）；TU Munich（慕尼黑工业大学）；MIT（麻省理工学院）；Intel Labs（英特尔实验室）；AWS AI Labs（亚马逊云科技人工智能实验室）
本文发布企业数据集成基准GOBY Benchmark，揭示LLMs在真实企业暗数据上性能显著下降的问题，并提出分层标注、运行时类别学习和本体合成三项技术，使LLMs在企业数据上的表现达到与公开数据相当的水平。
2024-12-29 cs.AI cs.DB cs.LG
Multifaceted Context Representation using Dual Attention for Ontology Alignment
IIIT Hyderabad（印度信息技术与通信技术研究院海得拉巴分校）；IBM Research（IBM研究院）
本体对齐是一个重要的研究问题，发现应用在各个领域，如数据集成，数据传输，数据准备等国家的最先进的（SOTA）架构本体对齐通常使用天真的领域依赖的方法与手工制作的规则和手动分配的值，使它们不可扩展和效率低下。用于本体对齐的深度学习方法使用特定于领域的架构，这些架构不仅无法扩展到其他数据集和领域，而且由于各种限制（包括模型的过拟合，数据集的稀疏性等），通常比基于规则的方法表现更差。基于深度学习的模型，使用双重注意力机制来计算概念的上下文表示，以学习对齐。通过这样做，我们的方法不仅利用本体的语法和语义结构，它也是，通过设计，灵活和可扩展到不同的领域，以最小的努力。我们验证了我们的方法在不同领域的各种数据集和多语言设置，并显示其优越的性能SOTA方法。
2020-10-26 cs.AI cs.DB cs.LG
Ontology alignment repair through modularization and confidence-based heuristics
LaSIGE, Faculty of Sciences of the University of Lisbon（里斯本大学科学学院LaSIGE）
本体匹配的目的是找到一组语义对应，称为对齐，相关的本体之间。近年来，有越来越多的兴趣，高效和有效的匹配方法，大型本体。然而，大多数大型本体产生的对齐在逻辑上是不连贯的。直到最近，使用修复技术来提高本体对齐的质量才被探索。在本文中，我们提出了一种新的技术，用于检测不连贯的概念本体模块化的基础上，和一个新的修复算法，最大限度地减少不连贯的结果对齐和匹配的数量从输入对齐。一个实现完成的一部分，一个轻量级的版本的ProximementMaker系统，一个成功的本体匹配平台，并使用一组四个基准生物医学本体匹配任务进行评估。我们的研究结果表明，我们的实施是有效的，并产生更好的对齐方面的连贯性和f-措施比国家的最先进的修复工具。他们还表明，我们的实现是一个更好的替代方案，产生连贯的银标准的路线。
2013-07-19 cs.AI
A Markov Model for Ontology Alignment
The University of Georgia（佐治亚大学）
可用数据的爆炸式增长以及集成和利用这些数据的需求导致了对数据集成技术的迫切兴趣。在语义网技术中，本体对齐是异构知识库集成的关键步骤。在本文中，我们提出了边缘置信度技术，修改和改进流行的相似性洪水技术的本体对齐。
2013-04-20 cs.AI cs.DB
Breaking-down the Ontology Alignment Task with a Lexical Index and Neural Embeddings
The Alan Turing Institute（艾伦·图灵研究所）；University of Oslo（奥斯陆大学）；Medical University of Vienna（维也纳医科大学）；Miami University（迈阿密大学）
大型本体仍然对最先进的本体对齐系统提出了严峻的挑战。在本文中，我们提出了一种方法，结合了词汇索引，神经嵌入模型和局部模块，有效地将输入本体匹配任务划分为更小，更容易处理的匹配（子）任务。我们已经进行了全面的评估，使用本体对齐评估计划的数据集。结果是令人鼓舞的，并表明，所提出的方法是足够的，在实践中，可以集成在工作流程中的国家的最先进的系统。
2018-05-31 cs.AI
OWL2Vec4OA: Tailoring Knowledge Graph Embeddings for Ontology Alignment
City St George’s, University of London（伦敦城市圣乔治大学）；University of Oslo（奥斯陆大学）；University of Manchester（曼彻斯特大学）
本文提出 OWL2Vec4OA，通过将种子映射的边置信度融入随机游走策略，扩展 OWL2Vec* 以定制面向 ontology alignment 的知识图谱嵌入，并验证了其有效性。
2024-10-23 cs.AI
Towards an ontology of HTTP interactions
Néréide（Néréide 公司）
企业信息系统采用了基于网络的基础，以便在不同的方案之间进行交流。这些程序通过Web API提供和使用由URI标识的一些资源，URI的表示通过HTTP传输。此外，HTTP仍然是所有Web开发的核心（语义Web，链接数据，物联网...）。因此，程序必须能够推理HTTP交互（请求-响应）的情况越来越多。这需要一个明确的正式规范的共享概念化的这些相互作用。已提出一项关于RDF词汇的建议，其目的是进行网络应用程序一致性测试并记录测试结果。此词汇表已被重用。在本文中，我们建议调整和扩展它，使其更可重用。
2020-07-20 cs.AI
OntoAligner: A Comprehensive Modular and Robust Python Toolkit for Ontology Alignment
TIB - Leibniz Information Centre for Science and Technology（TIB - 莱布尼茨科学技术信息中心）；L3S Research Center, Leibniz University of Hannover（莱布尼茨汉诺威大学L3S研究中心）
OntoAligner是一个开源Python工具包，通过模块化架构集成模糊匹配、检索增强生成和大语言模型，解决现有本体对齐工具在可扩展性和集成性上的不足，实现高效高质量的大规模本体对齐。
2025-03-27 cs.AI cs.CL
A Benchmark to Understand the Role of Knowledge Graphs on Large Language Model's Accuracy for Question Answering on Enterprise SQL Databases
本研究提出企业SQL问答基准，发现GPT-4直接查询SQL准确率仅16%，而基于知识图谱表示可提升至54%，表明知识图谱能显著增强LLM问答准确率。
2023-11-13 cs.AI cs.CL cs.DB
Ontology Alignment at the Instance and Schema Level
INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE（法国国家信息与自动化研究所）
我们提出了巴黎，本体自动对齐的方法。PARIS不仅对齐实例，还对齐关系和类。实例级的对齐与模式级的对齐交叉施肥。因此，我们的系统提供了一个真正的整体解决方案的本体对齐的问题。这种方法的核心是概率。这允许PARIS在没有任何参数调整的情况下运行。我们通过大量的实验证明了该算法的效率和精度。特别是，我们获得了约90%的精度在实验中与两个世界上最大的本体。
2011-08-18 cs.AI
Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules
City, University of London（伦敦大学城市学院）；University of Oslo（奥斯陆大学）；Medical University of Vienna（维也纳医科大学）；University of Oxford（牛津大学）；Miami University（迈阿密大学）
大型本体仍然对最先进的本体对齐系统提出了严峻的挑战。在本文中，我们提出了一种方法，结合了神经嵌入模型和基于逻辑的模块，以准确地将输入本体匹配任务划分为更小，更易于处理的匹配（子）任务。我们已经进行了全面的评估，使用本体对齐评估计划的数据集。结果是令人鼓舞的，并建议，所提出的方法是足够的，在实践中，可以集成在工作流程中的系统无法应付非常大的本体。
2020-02-25 cs.AI
HINO: a BFO-aligned ontology representing human molecular interactions and pathways
University of Michigan Medical School（密歇根大学医学院）
许多数据库资源，如Reactome，从同行评议的出版物中收集手动注释的反应，相互作用和途径。互动者（例如，蛋白质）、相互作用和途径在这些数据资源中通常被表示为使用BioPAX（标准途径数据交换格式）的实例。然而，这些相互作用更好地表示为类（或共性），因为它们总是在适当的条件下发生。本研究旨在通过与基本形式本体（BFO）对齐的形式本体，将各种人类交互路径和网络表示为类。为了实现这一目标，人类交互网络本体（HINO）是通过扩展BFO对齐的交互网络本体（INO）。在Reactome中列出并在BioPAX中表示的所有人类途径和相关过程和相互作用者首先通过在INO下对齐它们来转换为本体类。来自外部本体的相关术语和相关联的关系和层次（例如，CHEBI和GO）也被检索并导入HINO。HINO本体术语在链接的本体数据服务器Ontobee中解析。存储在RDF三元组存储中的RDF三元组可通过SPARQL程序查询。这样的本体系统支持高级途径数据集成和应用。
2013-11-14 cs.AI cs.DB q-bio.MN
Wikontic: Constructing Wikidata-Aligned, Ontology-Aware Knowledge Graphs with Large Language Models
Cognitive AI Systems Lab（认知人工智能系统实验室）；Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究所）；London Institute for Mathematical Sciences（伦敦数学科学研究所）
Wikontic通过多阶段流程构建维基数据对齐、本体感知的知识图谱，提升KG质量并实现高效构建。
2026-01-29 cs.AI cs.CL cs.LG
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
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
Hierarchical Classification via Cascading Feature Elimination: Application to Human Phenotype Ontology-Aligned Facial Phenotyping (FaceMesh2HPO)
University of Augsburg（奥格斯堡大学）；University of Bonn（波恩大学）
FaceMesh2HPO框架利用临床医生注释及图像生成3D面部网格，基于PointNet训练含级联分类与特征消除的分层管道，结合多种数据实现面部表型分类，虽有成果但罕见叶节点性能受限，需改进策略增强实用性。
2026-08-20 cs.AI cs.CV cs.LG
Revisiting Indirect Ontology Alignment : New Challenging Issues in Cross-Lingual Context
Université de Tunis El Manar（突尼斯埃尔马纳尔大学）
本体对齐过程在知识工程中被压倒性地引用为旨在绕过异构性并协调由本体表示的各种数据源的关键机制，即，语义网的基石。在这样的基础设施和环境中，假设覆盖特定知识领域的所有本体都成对对齐是不可想象的。此外，对准方法的高性能与两个因素密切相关，即，时间消耗和机器资源限制。因此，高质量的比对是有价值的，并且利用它们将是适当的。基于此，本文介绍了一种在跨语言环境下本体间接对齐的新方法。事实上，所提出的方法处理多语言本体的对齐，并实现了一个间接的本体对齐策略的组成和重用的基础上有效的直接对齐。所提出的方法过程的触发器是基于对齐代数，它管理的关系和置信度值的语义组成。经过彻底和详细的实验，所获得的结果是非常令人鼓舞的，并突出了新提出的方法的许多积极方面。
2021-04-04 cs.AI cs.IR
LB2CO: A Semantic Ontology Framework for B2C eCommerce Transaction on the Internet
Jawaharlal Nehru Technological University（贾瓦哈拉尔·尼赫鲁科技大学）
业务本体可以增强复杂企业系统的成功开发，这是通过知识共享和领域中每个实体之间的轻松通信来实现的。通过人与Web资源的语义交互，机器对Web下以机器可解释的形式发布的数据进行解释。然而，在电子商务领域的业务本体的理论实践是相当少的，特别是在电子交易部分，和各种技术用于获得有效的跨领域的通信是容易出错的，并不总是保证是有效的，在获得预期的结果，由于实体之间的语义集成差。为了克服语义集成差，本研究重点提出本体LB2CO，它结合了IDEF5和SNAP的框架作为分析工具，自动推荐的产品和服务，并创建有效的本体框架B2C交易和通信跨不同的业务领域，促进互联网上的B2C交易的互操作性和集成。
2014-01-05 cs.AI cs.CY
Toward Culturally Aligned LLMs through Ontology-Guided Multi-Agent Reasoning
KAIST（韩国科学技术院）
本文提出OG-MAR框架，通过本体引导的多智能体推理方法，提高大型语言模型在文化对齐和鲁棒性方面的性能，并生成更透明的推理轨迹。
2026-06-04 cs.AI cs.CL cs.IR
Ontology Matching with Knowledge Rules
University of Oregon（俄勒冈大学）
本体匹配是自动确定两个本体概念之间的语义等价关系的过程。大多数本体匹配算法基于两种类型的策略：基于术语的策略，其根据概念的名称或描述来对齐概念，以及基于结构的策略，其利用概念层次来找到对齐。在许多领域中，存在关于以各种方式表示的概念的关系的附加信息，例如贝叶斯网络、决策树和关联规则。我们建议使用这些关系之间的相似性，以找到更准确的比对。我们通过定义软约束来实现这一点，软约束优选对齐，其中相应的概念具有编码为知识规则的相同的局部关系。我们使用一个概率框架，将这种新的基于知识的策略与标准的基于术语和基于结构的策略相结合。此外，我们的方法在识别复杂概念之间的对应关系方面特别有效。我们的方法实现了更好的F-分数比以前的国家的最先进的三个本体匹配域。
2015-07-11 cs.AI
Training Data Attribution for Image Generation using Ontology-Aligned Knowledge Graphs
National Centre for Scientific Research ``Demokritos''（国家科学研究中心「德莫克里特」）；University of Glasgow（格拉斯哥大学）
本文提出利用本体对齐的知识图谱方法，通过多模态大语言模型提取图像中的结构化三元组，以追踪生成模型中训练数据的影响，从而提升透明度和可解释性。
2025-12-02 cs.AI
Using MathML to Represent Units of Measurement for Improved Ontology Alignment
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）
本体提供了知识领域中概念及其关系的形式化描述。本体对齐的目标是在独立开发的本体中识别语义匹配的概念和关系，这些本体声称描述相同的知识。为了处理尽可能广泛的本体类，许多对齐算法依赖于术语和结构方法，但概念的模糊性使匹配过程复杂化。然而，由于其数学性质，应该提供明确匹配解决方案的一个领域是测量单位。有几种测量单位的理论可用，但没有尝试将它们统一起来，尽管技术互操作性具有明显的重要性。我们提出了一个通用的策略来映射这些（和类似的）本体，通过引入MathML来准确地捕捉其中指定的概念的语义描述。我们提供了三个本体的映射结果，并表明我们的方法提高了词汇比较。
2013-07-05 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
Evaluating approaches for supervised semantic labeling
Siemens（西门子）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
关系数据源仍然是存储企业或Web数据的最流行的方法之一，然而，关系模式的问题是缺乏定义良好的语义描述。公共本体提供了一种表示关系模式的含义的方法，并且可以促进域中异构数据源的集成。语义标记是通过将数据源的属性映射到本体中的类和属性来实现的。我们制定这个问题作为一个多类分类问题，以前标记的数据源被用来学习规则标记新的数据源。大多数现有的语义标记方法都集中在数据集成的挑战，如命名冲突和语义异构性。此外，机器学习方法通常存在类不平衡、缺少标记实例和属性相对重要性的问题。为了解决这些问题，我们开发了一个新的机器学习模型与工程功能，以及两个深度学习模型，不需要广泛的功能工程。我们用最先进的技术来评估我们的新方法。
2018-01-29 cs.AI cs.CL cs.LG
Contextualized Structural Self-supervised Learning for Ontology Matching
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（卢蒙巴大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有深度本体匹配模型存在的参考对齐缺失、推理延迟高、图结构利用不足等问题，提出融合概念上下文与结构信息的自监督本体匹配框架LaKERMap，在Bio-ML数据集上的对齐质量和推理速度均优于当前最优系统。
2023-10-05 cs.AI cs.CL cs.LG
The Innovation-to-Occupations Ontology: Linking Business Transformation Initiatives to Occupations and Skills
University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（Data61（联邦科学与工业研究组织下属机构））
本文提出创新到职业本体及基于嵌入的自动填充方法，将业务转型举措与所需职业和技能相连接，并在十个场景中验证了匹配有效性，为企业和教育机构提供劳动力需求指导。
2023-10-27 cs.AI
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
Enhancing SPARQL Query Rewriting for Complex Ontology Alignments
Laval University（拉瓦尔大学）；Iba Der Thiam University（伊巴·德尔·蒂亚姆大学）
本文提出基于自然语言需求的SPARQL查询重写方法，利用等价传递性与大语言模型处理复杂本体对齐，提升查询效率与用户可访问性。
2025-12-05 cs.AI cs.DB
Ontology Matching Through Absolute Orientation of Embedding Spaces
SAP SE（SAP思爱普公司）；University of Mannheim（曼海姆大学）
本体匹配是创建可互操作和链接的开放数据集时的核心任务。在本文中，我们探索了一种新的基于结构的映射方法，它是基于知识图谱嵌入：要匹配的本体被嵌入，并被称为绝对方向的方法被用来对齐两个嵌入空间。接下来的方法，本文提出了一个第一，初步评估使用合成和真实世界的数据集。我们发现，在实验中与合成数据，该方法的工作非常好，类似结构的图形，它处理对齐噪声比本体的大小和结构差异。
2022-04-08 cs.AI cs.DB cs.IR
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
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
CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning
CMOMgen是首个端到端复杂多本体匹配策略，利用模式引导的上下文学习和检索增强生成，在生物医学任务中优于基线，F1分数最低63%，46%映射获最高分。
2025-10-24 cs.AI
Surprising Effectiveness of Self-Demonstrations in Enhancing Schema-Ontology Mapping with LLMs
TCS Research（塔塔咨询服务研究院）；IIT Bombay（印度理工学院孟买分校）
本文提出一种结合神经符号任务分解与模式引导自我演示的方法，用于LLM模式-本体映射，在RODI基准上实现最先进性能，F1提升25个百分点。
2026-09-15 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
Semantic Alignment of Multilingual Knowledge Graphs via Contextualized Vector Projections
Abhishek Kumar
本文提出了一种基于上下文向量投影的多语言知识图谱语义对齐方法，通过改进的嵌入生成和余弦相似度匹配，提升了跨语言本体对齐的精度和召回率。
2026-01-20 cs.AI
SweEval: Do LLMs Really Swear? A Safety Benchmark for Testing Limits for Enterprise Use
Oracle AI；Indian Institute of Information Technology Ranchi（印度拉奇信息与技术学院）；TD Securities（TD证券）；Columbia University（哥伦比亚大学）；Hanyang University（翰阳大学）
针对企业部署中LLMs可能遵从脏话指令的风险，提出SweEval基准，通过多语气多语境提示测试模型对不当指令的遵从与抵制，评估伦理对齐与文化理解，并开源数据集与代码。
2025-05-22 cs.AI cs.CL cs.LG
Search-Optimized Quantization in Biomedical Ontology Alignment
CNRS（法国国家科学研究中心）；Univ. Lille（里尔大学）；UMR 8163 - STL - Savoirs Textes Langage（知识文本语言联合研究单位）；UMR 9189 - CRIStAL - Centre de Recherche en Informatique Signal et Automatique de Lille（里尔计算机、信号与自动化研究中心）
本文提出一种基于Transformer和余弦语义相似度的生物医学本体对齐方法，并通过Microsoft Olive搜索与Intel动态量化优化，在DEFT 2020两项任务上取得最优结果，实现20倍推理加速和约70%内存降低。
2025-09-20 cs.AI cs.LG math.OC
Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems
本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。
2026-04-22 cs.AI
OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心）；L3S Research Center, Leibniz University of Hannover（汉诺威莱布尼茨大学L3S研究中心）；Graphwise；University of Tabriz（大不里士大学）
该研究提出OntoAligner-Ensemble框架，通过两阶段投票融合策略整合异构OA对齐器，经OAEI八任务验证，可提升精确率-召回率平衡，为OA提供实用集成选择指导。
2026-09-01 cs.AI
A semantic approach to mapping the Provenance Ontology to Basic Formal Ontology
National Center for Ontological Research（国家本体论研究中心）；Conceptual Systems（概念系统公司）；University at Buffalo（布法罗大学）；Summit Knowledge Solutions（顶峰知识解决方案公司）；University of Vienna（维也纳大学）；Institute for Artificial Intelligence and Data Science（人工智能与数据科学研究所）
为提升PROV-O与BFO两类本体及其组织数据的互操作性，研究提出遵循语义逻辑优先标准的映射方法与对齐方案，经逻辑一致性校验和SPARQL查询评估，采用语义网技术支撑FAIR原则。
2025-03-23 cs.AI cs.DB cs.LO
Merging Ontologies Algebraically
本体操作，例如，对齐和合并，被广泛研究和实现在不同的设置，如，分类操作，关系代数，类型图文法，具有不同的关注点。然而，设置中的对齐和合并操作共享一些通用属性，例如，在本体合并系统$(\mathfrak{O},\sim,\merge)$上定义的分别由（I）、（C）、（A）和（R）标记的等元性、交换性、关联性和表示性，其中$\mathfrak{O}$是相关本体的集合，$\sim$是关于$\mathfrak{O}$建模本体对齐的二元关系，并且$\merge$是关于$\mathfrak{O}$建模本体合并的部分二元运算。给定一个本体库，一个有限集$\mathbb{O}\subseteq \mathfrak{O}$，它的合并闭包$\widehat{\mathbb{O}}$是包含该库并且相对于合并是封闭的最小本体集。如果满足（I）、（C）、（A）和（R），则$\mathfrak{O}$和$\widehat{\mathbb{O}}$都通过合并自然地部分排序，$\widehat{\mathbb{O}}$是有限的并且可以被有效地计算，包括排序、选择和查询一些特定元素，例如，最大本体和最小本体。我们还证明了由本体$V$ -对齐对和推出给出的本体合并系统满足性质：（I），（C），（A）和（R），使得合并系统是偏序的，并且可以有效地计算给定知识库关于推出的合并闭包。
2022-11-12 cs.AI cs.DB cs.DM
UniDataAgent: An Ontology-Grounded Agent for Enterprise Question-to-Report Automation
China Unicom Software Research Institute（中国联通软件研究院）；College Of Artificial Intelligence, Nankai University（南开大学人工智能学院）
本文提出UniDataAgent，一个基于本体的企业问题到报告自动化系统，通过分离语义获取与在线执行，在27张表上实现95%准确率，显著缩短构建与报告生成时间。
2026-10-09 cs.CL
OntoAligner Meets Knowledge Graph Embedding Aligners
TIB -- Leibniz Information Centre for Science and Technology（莱比锡信息科学与技术研究中心）；University of Tabriz（塔布里兹大学）
本研究将本体对齐重构为合并本体上的链路预测问题，构建集成17种KGE模型的OntoAligner模块化框架，在7个跨领域基准上验证了其高精度特性，为本体对齐提供了互补的高效结构感知方案。
2025-09-30 cs.AI cs.LG
