从提示到图谱：比较基于大语言模型的信息抽取策略在特定领域本体开发中的应用
人工智能
2026-02-03 v1 计算与语言
信息检索
摘要
本体对于结构化领域知识、提高可访问性、共享和重用至关重要。然而，传统的本体构建依赖于人工标注和传统的自然语言处理（NLP）技术，使得该过程劳动密集且成本高昂，尤其是在铸造制造等专业领域。大语言模型（LLMs）的兴起为自动化知识抽取提供了新的可能性。本研究调查了三种基于LLM的方法，包括预训练LLM驱动方法、上下文学习（ICL）方法和微调方法，以从特定领域文本中抽取术语和关系，仅使用有限的数据。我们比较了它们的性能，并使用性能最佳的方法构建了一个铸造本体，该本体已由领域专家验证。
引用
@article{arxiv.2602.00699,
title = {From Prompt to Graph: Comparing LLM-Based Information Extraction Strategies in Domain-Specific Ontology Development},
author = {Xuan Liu and Ziyu Li and Mu He and Ziyang Ma and Xiaoxu Wu and Gizem Yilmaz and Yiyuan Xia and Bingbing Li and He Tan and Jerry Ying Hsi Fuh and Wen Feng Lu and Anders E. W. Jarfors and Per Jansson},
journal= {arXiv preprint arXiv:2602.00699},
year = {2026}
}
备注
11 pages,8 figures,3 tables,presented at International Conference on Industry of the Future and Smart Manufacturing,2025