VSPO：基于 LLM 的语义误区验证方法用于本体论中的语义陷阱

容错问题（Competency Questions, CQs）在验证本体论设计中起着关键作用。虽然手动编写 CQs 对于本体论工程师来说耗时且成本高昂，但近期研究探索了利用大语言模型（LLMs）自动生成此过程。然而，现有方法主要基于与现有数据集的相似性来评估生成的 CQs，往往无法验证诸如“误用 allValuesFrom”等语义陷阱。由于此类陷阱无法通过基于规则的方法可靠检测，本文提出一种 novel 数据集和模型，用于验证本体论中的语义陷阱（Validating Semantic Pitfalls in Ontology, VSPO），旨在为 CQ 生成专门验证语义陷阱。为模拟缺失和误用的公理，我们使用 LLMs 生成类的和属性的自然语言定义，并通过删除公理或改变逻辑运算符（例如，用交集替换并集）在定义与本体之间引入不一致。随后，我们对 LLaMA-3.1-8B-Instruct 进行微调，以生成这些定义与相应公理之间语义差异的 CQs。生成的 CQs 能够检测现有公开数据集所能检测的更广泛范围的建模错误。我们的微调模型在基线模型中表现优异，相较于 GPT-4.1 在陷阱验证生成 CQs 时，精度提升 26%，召回率提升 28.2%。本研究实现了使用 LLMs 自动生成 TBox 验证 CQs，显著减少了手动工作，同时改善了本体论与专家知识之间的语义对齐。据我们了解，这是首个针对语义陷阱验证的 CQ 生成使用 LLMs 的研究。