OntoMetric：面向自动化 ESG 指标知识图谱生成的本体驱动 LLM 辅助框架
人工智能
2026-01-27 v2 图形学
摘要
环境、社会和治理（ESG）指标知识本质上具有结构性，通过组合依赖关系将行业、报告框架、指标类别、指标和计算模型连接起来，但在实践中，这种结构仍然隐含地嵌入在 SASB、TCFD 和 IFRS S2 等监管文件中，很少以显式的、可治理的或机器可操作的产物形式存在。现有的 ESG 本体定义了形式化模式，但未解决来自权威监管来源的可扩展填充与治理问题，而无约束的大语言模型（LLM）提取经常产生语义不正确的实体、幻觉关系和结构无效的图。OntoMetric 是一个本体引导的框架，用于从监管文档中自动构建和治理 ESG 指标知识图谱，它将 ESG 指标知识图谱（ESGMKG）本体作为一等约束直接嵌入提取与填充过程。该框架集成了结构感知的切分、本体约束的 LLM 提取（融合语义字段与确定性标识符），以及结合语义类型验证与基于规则的模式检查的双阶段验证，同时保留片段级和页面级溯源以确保可追溯至监管源文本。在五项 ESG 监管标准上的评估表明，本体引导的提取实现了 65-90% 的语义准确率和超过 80% 的模式合规率，而无约束基线提取仅为 3-10%，并且以每条验证实体 0.01-0.02 美元的成本和相对于基线 48 倍的效率提升保持了稳定的成本效益。
引用
@article{arxiv.2512.01289,
title = {OntoMetric: An Ontology-Driven LLM-Assisted Framework for Automated ESG Metric Knowledge Graph Generation},
author = {Mingqin Yu and Fethi Rabhi and Boming Xia and Zhengyi Yang and Felix Tan and Qinghua Lu},
journal= {arXiv preprint arXiv:2512.01289},
year = {2026}
}