基于大语言模型的本体学习：公理识别基准研究

本体是结构化领域知识的重要工具，但其开发是一项复杂任务，需要大量的建模和领域专业知识。本体学习旨在自动化这一过程，过去十年中随着自然语言处理技术的进步而取得了发展，尤其是随着大型语言模型（LLM）的近期增长。本文研究了识别公理的挑战：定义类和属性之间逻辑关系的基本本体组件。在这项工作中，我们引入了一个本体公理基准OntoAxiom，并系统地在该基准上测试LLM进行公理识别，评估了不同的提示策略、本体和公理类型。该基准由九个中等规模本体组成，共包含17,118个三元组和2,771条公理。我们聚焦于子类、不相交、子属性、域和范围公理。为评估LLM性能，我们比较了12个LLM，采用三种少样本设置和两种提示策略：直接方法一次性查询所有公理，以及逐条公理（AbA）方法，每个提示仅查询一条公理。我们的结果表明，AbA提示策略比直接方法获得更高的F1分数。然而，不同公理类型的性能存在差异，表明某些公理更难识别。领域也影响性能：FOAF本体在子类公理上得分为0.642，而音乐本体仅达到0.218。更大的LLM优于较小的LLM，但较小的模型在资源受限的设置中仍然可行。尽管整体性能尚不足以完全自动化公理识别，但LLM可以为本体工程师提供有价值的候选公理，支持本体的开发和优化。