从子包含到可满足性：LLM辅助的OWL本体的主动学习
人工智能
2026-04-21 v1
摘要
在主动学习中，成员查询（MQs）允许学习者提出问题，如“每个苹果是否为水果？”，教师会以正确的“是”或“否”作答。这些MQ可视为针对目标本体的子包含测试。Inspired by 将子包含归约为可满足性在描述逻辑中的标准方法，我们将每个候选公理 reformulate 为其对应的反概念并以受控自然语言 verbalise 后呈现给大语言模型（LLM）。我们引入LLM作为第三个组件，提供近似反概念实例的真实世界示例。这种设计属性确保本框架中仅可能发生类型II错误；在最坏情况下，这些错误仅会延迟构建过程，而不会引入不一致性。实验结果在13个商业LLM上显示，召回率——对应于本框架中的类型II错误——在几个 well-established 的本体上保持稳定。
引用
@article{arxiv.2604.16672,
title = {From Subsumption to Satisfiability: LLM-Assisted Active Learning for OWL Ontologies},
author = {Haoruo Zhao and Wenshuo Tang and Duncan Guthrie and Michele Sevegnani and David Flynn and Paul Harvey},
journal= {arXiv preprint arXiv:2604.16672},
year = {2026}
}