【报告内容】

汇报人：李博

汇报单位：太原理工大学

主题：Towards Complex Ontology Alignment using Large Language Models

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1、待解决的问题描述

1）复杂对齐自动化困难：复杂逻辑映射涉及属性、关系与约束的组合匹配，自动化推理难度大，传统方法难以应对真实场景中的复杂语义关联。

2）已有大语言模型对齐方法局限：多数研究只处理简单对齐；复杂对齐赛道上能产出复杂映射的系统少，且依赖共享实例数据。

3）提示设计挑战：一次性输入完整本体文件与查询容易造成模型混淆，需要结构化、分步的提示策略。

2、相关创新方案

1）本体模块：围绕单一核心概念构建自包含的知识封装体，整合与该概念直接相关的类、属性和语义关系，为模型提供额外的领域上下文。该思想来自模块化本体建模 MOMo。

2）任务无关提示技术：比较零样本、少样本和思维链三种提示方式，采用思维链式的链式提示，避免一次性输入完整文件与查询造成的混淆。

3）五步提示流程：上传目标本体 GMO 建立上下文；从源本体 GBO 提取实体术语发起初步查询；根据模块清单定向筛选相关模块；注入模块详细定义、属性与关系；在增强后的精准上下文中执行最终查询。

4）方法不依赖两个本体共享的实例数据，是首个不依赖共享实例数据、能在复杂对齐任务上取得较好准确率的工作。

3、实验总结

数据集：GeoLink 复杂对齐数据集，基于海洋科学领域真实本体 GBO 和 GMO，包含领域专家手工校验的 109 条复杂对齐规则。

模型与指标：核心评估模型为 GPT-4；采用召回率与精确率两个指标。

关键结果：不借助模块信息时，109 条规则中仅 5 条（4.5%）能被部分识别，且本质上都是简单的一对一映射；超过 95% 的复杂规则必须依靠模块信息才能被发现。加入模块信息后，73.3% 的规则召回率不低于 0.5，62.3% 不低于 0.75，45% 达到 1.0；精确率方面，69.7% 不低于 0.5，59.6% 不低于 0.75，45.8% 达到 1.0。召回率与精确率均值均为 0.67，中位数分别为 0.75 和 0.80。

实例验证：加入 Funding Award 模块后，GPT-4 准确找到 Award 规则对应的全部四个目标实体，该实例召回率和精确率均达到 1.0。

4、未来工作

引入人工在环机制，扩展到更多数据集，尝试不同的模块表示方式，结合符号推理、传统简单对齐算法和模型微调。

报告时间：2026年08月21日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)