【报告内容】

汇报人：何世祺

汇报单位：太原理工大学

主题：《Ontology Matching with Large Language Models and Prioritized Depth-First Search》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

文章主要致力于解决本体匹配领域的诸多问题，一方面是现有方法存在局限，传统方法难以区分语义相似与共现实体且可扩展性差，基于 LLM 的系统在复杂任务性能和计算开销上有不足；另一方面是要提升本体匹配的性能与效率，包括提高准确性和召回率、减少对 LLM 的请求次数及运行时间，同时减少对大量训练数据的依赖，并增强处理复杂本体结构和关系的能力，为此提出了 MILA 框架等创新方法以推动该领域发展。

2.相关创新方案

(1)提出MILA（在本体映射中减小LLM提示），以尽量减少LLM提示，只留下难以确定或模糊的映射关系给LLM进行处理

(2)将检索识别提示方法嵌入优先级深度优先搜索（PDFS）策略。

(3)MILA在任务独立性、高性能和减少计算开销方面优于最先进的系统。

3.实验总结

MILA通过结合RAG和搜索策略来提高生物医学等关键领域的计算开销和性能，为基于LLM的OM系统的挑战提供了一种有效的解决方案。MILA还通过在不需要训练数据的情况下展示独立于任务的性能，为一般OM挑战提供了一种有效的解决方案，使其成为基于LLM的OM应用的一种有前景的方法。

4.未来工作

(1)模型优化方面：一是改进搜索策略，探索结合本体结构信息的启发式搜索方法，替代现有的贪婪搜索策略，提升搜索效率与匹配精度；二是优化提示生成技术，融入更多上下文信息和示例，增强大语言模型在本体匹配中的能力发挥。

(2)应用拓展方面：一方面开展并行化优化工作，整合相关框架提升处理大规模本体的效率；另一方面积极拓展应用领域和任务类型，在更多领域测试并完善 MILA，使其能处理如预测包含关系等复杂任务，增强其通用性。

报告时间：2025年01月17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)