本文介绍了一种基于代理和大型语言模型的本体匹配系统设计范例，并通过实证评估证明其在简单、复杂和少样本本体匹配任务上的性能显著优于现有系统。

Dec, 2023

LLMs4OM 框架通过零样本提示技术，利用大型语言模型在本体匹配任务中评估大型语言模型的效果，并在不同本体表示（概念、概念父类、概念子类）之间实现检索和匹配两个模块，全面评估了 20 个不同领域的本体匹配数据集，结果表明，在复杂匹配场景下，LLMs 在 LLMs4OM 框架下的性能可以与甚至超过传统的本体匹配系统，凸显了 LLMs 在本体匹配领域的潜力。

Apr, 2024

本文提出了一种丰富本体的实体信息的方法，并使用此方法进行本体对齐，并开发了一种神经网络结构，能够编码外部数据，结果显示，外部数据的添加导致本体对齐在 Ontology Alignment Evaluation Initiative 的 largebio SNOMED-NCI 子任务上的 F1 得分为 0.69，与当前技术下的实体级匹配相当。

Jun, 2018

本文提出了 BERTMap，它是一种可以支持无监督和半监督设置的本体映射系统，它使用 fine-tuning 的 BERT 语境嵌入模型来预测映射，并通过利用本体结构和逻辑来完善映射，本文通过对生物医学本体上的三个对齐任务的评估表明，BERTMap 通常比领先的 OM 系统 LogMap 和 AML 表现更好。

Dec, 2021

研究表明，虽然预训练语言模型对于自然语言推理方面的知识有比较好的编码能力，但其对于本体论的推断需要更多的背景知识，而且在给定少量样本的情况下能够有效地进行推断。

Feb, 2023

本研究介绍了一种名为 LaKERMap 的新型自监督学习本体匹配框架，它利用转换器将概念的上下文和结构信息融入其中，旨在捕捉包括本地和全局交互在内的多种结构上下文。通过使用 Bio-ML 数据集和任务，我们的创新方法显示 LaKERMap 在对齐质量和推理时间方面优于最先进的系统。

Oct, 2023

本文提出了一个自匹配训练方法，对本体嵌入模型进行训练，包括倒排索引矩阵嵌入（InME）和共现矩阵嵌入（CoME），以捕捉本体注释公理中的全局和局部信息。通过自匹配训练方法，在预测超类与子类相似且与本体中其他实体孤立的情况下，可以提高概念包含预测的鲁棒性。实验证实，在 GO 和 FoodOn 本体中，使用 InME 的自匹配训练方法优于现有的本体嵌入方法；而在 HeLiS 本体中，使用 CoME 和 OWL2Vec * 的连接方法优于其他方法。

Feb, 2024

介绍了一种将 OMOP 词汇表映射到 OBO 本体论的算法 OMOP2OBO，可以帮助系统地识别从基因测试中受益的难以诊断的患者，从而促进了基于 EHR 的深度表型分析。

Sep, 2022

在本研究中，采用使用深度学习方法和生物医学本体论，例如 Gene Ontology、Human Phenotype Ontology、Human Disease Ontology 和 Chemical Entities of Biological Interest，提高生物医学关系抽取方法，达到了比现有技术更高的精度。

Jan, 2020

机器学习系统对不良偏差具有复制和强化的能力，本研究通过创建资源 Doc-BiasO 本体论来填补了正式描述这些偏差管道的缺口。

Jun, 2024