Generative Ontology Induction: LLM-метод строит онтологии с покрытием 95-100%
Исследователи представили метод Generative Ontology Induction (GOI), который позволяет автоматически извлекать онтологии из корпусов документов без привязки к конкретной предметной области. Результаты работы опубликованы в arXiv.
Онтологии — формальные описания сущностей и связей между ними — остаются узким местом для систем ИИ, требующих глубокого понимания знаний. Существующие автоматические подходы либо зависят от предопределённых схем, либо ограничены узкими доменами, либо выдают неструктурированные результаты.
GOI решает эти проблемы. Фреймворк на основе больших языковых моделей (LLM) анализирует набор примеров документов и выводит «генеративный чертёж»: сущности, размерности, свойства, отношения и ограничения. Результат экспортируется в виде типизированного графа с шестью типами узлов и семью типами рёбер в форматах YAML или JSON.
Для оценки качества авторы ввели метрику Node Coverage Score (NCS), которая показывает долю структурных узлов онтологии (классы, свойства, размерности), присутствующих в сгенерированном выводе.
Тестирование проводилось на четырёх различных онтологиях: знакомая модели схема счёта за программное обеспечение, кастомная онтология описания вакансий, конфиденциальная онтология записей клинических визитов по управлению болью и онтология профессиональных сервисных контрактов.
GOI-запросы обеспечили покрытие структурного каркаса на уровне 95-100% во всех случаях. Для сравнения, обычный трёхпольный шаблон показал 97,8% на схеме счёта, но упал до 52,2% на онтологии вакансий, 62,2% на клинической онтологии и 78,3% на контрактной. Структурное покрытие оставалось высоким независимо от того, насколько знакома модели была данная предметная область.
Авторы подчёркивают, что GOI не требует заранее заданной схемы и способен адаптироваться к новым доменам, что делает его перспективным инструментом для автоматизации онтологического инжиниринга.
