Oct, 2023

基于上下文结构的自监督学习用于本体匹配

PDF
TL;DR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。
ontology matchingknowledge graphsdeep om modelslakermapself-supervised learning
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

  • 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

  • BERTMap: 一种基于 BERT 的本体对齐系统

    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

  • OLaLa：利用大型语言模型的本体匹配

    该研究采用零样本和少样本提示以及多个开放式大型语言模型应用于本体匹配评估任务，通过少量示例和良好设计的提示，实现与使用更大比例的真实数据的监督匹配系统相媲美的结果。

    Nov, 2023

  • 利用知识库中的先验知识进行结构化数据源的自动语义建模

    本文提出了一种新方法，将知识图谱作为先验知识，通过机器学习、图匹配和修改频繁子图挖掘来语义注释结构化数据源。我们的评估显示，在只知道少量语义模型的棘手情况下，我们的方法优于两种最先进的解决方案。

    Dec, 2022

  • 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

  • KERMIT -- 一种基于 Transformer 的知识图谱匹配方法

    利用预训练的句子转换器生成匹配候选项，接着使用优化的双重编码器来生成最佳匹配项以便自动匹配知识图谱和本体论。在多个数据集上进行了验证并展示了可行性和卓越的结果。

    Apr, 2022

  • 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

  • LLMs4OL：用于本体学习的大型语言模型

    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。

    Jul, 2023

  • 使用本地和全局结构进行自监督的图级表示学习

    该论文提出了一种统一框架，名为 GraphLoG，用于自监督整图表示学习，其除保留本地相似性外，还引入了分层原型来捕捉全局语义簇，进一步发展了一个高效的在线期望最大化算法来学习该模型，并在化学和生物基准数据集上进行了广泛实验，证明所提出的方法的有效性。

    Jun, 2021