Agent-OM:利用 LLM 智能体进行本体匹配

本体匹配(Ontology Matching, OM)通过对齐相关实体实现不同本体间的语义互操作并解决其概念异构性。当前 OM 系统有两种主流设计范式:传统的基于知识的专家系统,以及较新的基于机器学习的预测系统。尽管大语言模型(LLM)与 LLM 智能体已革新数据工程并被创造性应用于诸多领域,其在 OM 中的潜力仍未被充分探索。本研究提出了一种新颖的由智能体驱动的基于 LLM 的 OM 系统设计范式。考虑到利用 LLM 智能体进行 OM 所面临的若干具体挑战,我们提出了一个通用框架,即 Agent-OM(Agent for Ontology Matching,用于本体匹配的智能体),由用于检索与匹配的两个孪生智能体以及一组 OM 工具组成。我们的框架在一个概念验证系统中实现。对三个本体对齐评估倡议(Ontology Alignment Evaluation Initiative, OAEI)赛道相较于最先进 OM 系统的评估表明,我们的系统在简单 OM 任务上可取得与长期最佳性能非常接近的结果,并能在复杂与少样本 OM 任务上显著提升性能。