Jul, 2023

LLMs4OL：用于本体学习的大型语言模型

PDF
TL;DR我们提出了 LLMs4OL 方法，利用大型语言模型（LLMs）进行本体学习（OL）。通过全面评估使用零训练样例提示方法，我们发现 LLMs 可以有效地应用其语言模式捕捉能力于 OL，该能力包括从自然语言文本中自动提取和结构化知识。评估涵盖了对三个主要的 OL 任务进行九种不同的 LLM 模型家族的评估，包括术语类型化，分类系统发现以及非分类关系的提取，并包含了 WordNet 中的词汇语义知识，GeoNames 中的地理知识以及 UMLS 中的医学知识等多种类型的本体知识。
llms4olontology learninglarge language modelsknowledge extractionnatural language processing
发现论文，激发创造
  • LLMs4OM：基于大语言模型的本体匹配

    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

  • LLM 们幻想本体工具吗？

    大型语言模型能够部分地记忆本体论概念，并且记忆程度与概念在网络上的普及程度成正比。本研究还提出了新的度量方法，通过测量在不同提示重复、查询语言和确定性程度下产生的输出的一致性来估计语言模型中本体论信息的记忆程度。

    Jan, 2024

  • 关于使用大型语言模型生成能力本体的研究

    使用大型语言模型（LLMs）生成能力本体论，通过一系列试验以及不同提示技术和不同 LLMs 生成的能力来分析生成的本体论的质量

    Apr, 2024

  • Agent-OM：利用大型语言模型进行本体匹配

    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

  • 利用 LLMs 实现内容为中心的认知代理的知识获取自动化

    该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。

    Dec, 2023

  • 基于大规模语言模型的复杂本体对齐

    本文研究了利用大型语言模型（LLM）以解决复杂本体对齐挑战的应用，采用基于提示的方法和整合丰富本体内容的模块，取得了自动化复杂对齐任务的重要进展。

    Apr, 2024

  • 大型语言模型作为实例化具有特定领域知识的本体的预言机

    使用大型语言模型自动填充本体论与领域特定知识，通过查询模板生成实例，从而快速丰富本体论。

    Apr, 2024

  • 大型语言模型是否能补充医学本体中缺失的概念和关系？

    使用大型语言模型扩展本体的方法在临床实践指南中探索新的医学概念关系，展示了潜在的初步实验结果和未来改进方向。

    Nov, 2023

  • 面向本体增强的大型语言模型表示学习

    通过注入本体知识来改进嵌入式大语言模型（embedding-LLM），本研究利用广泛的本体使用和基于对照学习框架，通过医学疾病本体的生物医学文档，展示了提高嵌入式 LLM 在描述疾病领域中的相似性评估能力的实验结果。

    May, 2024

  • 本体蕴含推理的语言模型分析

    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