面向大规模确定性企业推理的统一本体构建与语义对齐框架
人工智能
2026-04-14 v1 计算与语言
摘要
尽管企业积累了大量数据，但其中大部分数据仍然混乱且实际上是静止的，阻碍了基于全面信息的决策。现有的神经符号方法依赖于互不相干的管道，并且难以处理错误传播。我们引入大本体模型(large ontology model, LOM)，这是一个无缝集成本体构建、语义对齐和逻辑推理的统一框架。LOM 采用 construct-align-reason(CAR)管道，利用其统一架构贯穿所有三个阶段：它首先从原始数据中自主构建特定领域的本体宇宙，然后利用图感知编码器和强化学习将神经生成与该结构现实进行对齐，最后在构建的拓扑结构、节点属性和关系类型上执行确定性推理。我们在由多样化真实世界企业数据集构成的全面基准测试上对 LOM 进行评估。实验结果表明，LOM-4B 在本体完成方面实现了 88.8% 的准确率，在复杂图推理任务中实现了 94% 的准确率，显著优于最先进的 LLM。这些发现验证了自主逻辑构建对于实现企业级确定性智能是必不可少的。
引用
@article{arxiv.2604.09608,
title = {Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale},
author = {Hongyin Zhu},
journal= {arXiv preprint arXiv:2604.09608},
year = {2026}
}