Résumé Technique : Un cadre pour l'alignement incrémental dynamique d'ontologies de graphes de connaissances basé sur des agents de grands modèles de langage

Problématique

Les graphes de connaissances (KG) dynamiques utilisés dans des domaines tels que la gestion des risques, la surveillance de la conformité et la sécurité industrielle évoluent continuellement par l'arrivée de nouvelles entités, de règles révisées et d'événements en flux continu. Cependant, les méthodes existantes d'alignement d'ontologies sont confrontées à un compromis persistant entre précision sémantique et latence de mise à jour. Les méthodes d'alignement statiques conventionnelles nécessitent de réexécuter l'intégralité du pipeline d'alignement après chaque mise à jour, ce qui est coûteux en termes de calcul et inadapté aux environnements de streaming. Les approches incrémentales traditionnelles réduisent le recalcul mais échouent souvent à interpréter les descriptions textuelles riches ou les changements de contexte sémantique, se concentrant principalement sur les mises à jour structurelles. De plus, bien que les grands modèles de langage (LLM) aient amélioré la correspondance sémantique, la plupart des méthodes actuelles basées sur les LLM sont conçues pour l'alignement statique ou par lots plutôt que pour une évolution continue et persistante des graphes. Cette lacune nécessite une solution capable de maintenir la cohérence sémantique dans des graphes en évolution continue sans sacrifier l'efficacité ou la précision.

Méthodologie : DOKA-Agent

Le document propose DOKA-Agent, un cadre pour l'alignement incrémental dynamique d'ontologies qui utilise un agent de grand modèle de langage (LLM) opérant dans un flux de travail percevoir-planifier-agir. Le cadre est conçu pour capturer les changements de graphe, enrichir le contexte sémantique et produire des décisions d'alignement validées en temps réel.

Architecture Centrale

Le cadre se compose de trois modules principaux :

1. Module de Perception Dynamique :

   • Entrée : Un flux d'événements bruts de base de données ($E_{raw}$) contenant des métadonnées d'opération, des horodatages et des objets de graphe modifiés.
   • Fonction : Traduit les opérations de bas niveau en événements sémantiques structurés (ex: création d'entité, modification de relation). Il les sérialise en descriptions de tâches ($T$) contenant des identifiants d'entité, des types et des détails structurels.
   • Contrôle Qualité : Mesure la couverture des événements et la complétude des tâches. Si une tâche manque d'attributs suffisants ou de contexte de voisinage, le module invoque un Outil de Requête de Graphe pour compléter les informations manquantes avant de transmettre la tâche à l'agent.

2. Cœur de Décision de l'Agent :

   • Phase de Planification : Le LLM décompose la tâche entrante en sous-tâches exécutables ($P$), adaptant l'ordre d'invocation des outils en fonction du type d'événement et de la complexité sémantique. Il interroge le contexte du graphe ($C$) pour récupérer le texte descriptif, les entités voisines et les relations.
   • Phase d'Action :
     • Encodage : Le LLor génère une description sémantique unifiée ($d'$) et un plongement vectoriel ($v$) à partir du contexte enrichi.
     • Récupération Hybride : Les candidats sont récupérés d'un index vectoriel via une stratégie dense-sparse.
     • Score de Similitude Hybride : Pour chaque candidat, le système calcule un score de similitude pondéré combinant :
       • Similitude Sémantique : Basée sur les plongements générés par le LLM.
       • Similitude Structurelle : Calculée via l'intersection sur union des ensembles de relations ($|R \cap sR,i| / |R \cup sR,i|$).
       • Similitude Lexicale : Estimée via la distance d'édition normalisée.
     • Décision de Relation : Le LLM évalue les candidats et leurs scores de similitude pour prédire le type de relation (ex: équivalent, plus large, plus étroit) et un score de confiance ($\theta$).
   • Engagement : Le système sélectionne la décision ayant la plus haute confiance. Les alignements ne sont engagés dans le graphe que si la confiance dépasse un seuement ($\theta_{thresh} = 0,7$) ; les correspondances à faible confiance sont rejetées.

3. Outils et Base de Connaissances :

   • Le cadre s'appuie sur un Outil de Requête de Graphe pour l'extraction du contexte de voisinage et un Outil de Recherche Vectorielle pour une recherche de similitude efficace sur un index vectoriel incrémental.
   • Une base de connaissances à double couche (Graph DB et IndexDB) soutient la récupération sémantique et les mises à jour persistantes du graphe.
   • Optimisation : Les poids de similitude hybrides sont optimisés à l'aide d'une fonction de perte totale combinant l'entropie croisée et la régularisation L2 pour équilibrer les contributions sémantiques, structurelles et lexicales.

Contributions Clés

Le document présente trois contributions spécifiques :

1. Cadre DOKA-Agent : Un cadre d'alignement d'ontologie dynamique spécifiquement adapté aux graphes de connaissances évolutifs, allant au-delà des instantanés statiques.
2. Flux de Travail Incrémental Percevoir-Planifier-Agir : Un nouveau flux de travail intégrant la complétion de contexte, la récupération hybride (dense-sparse) et la prise de décision sensible aux relations, permettant à l'agent de s'adapter aux types d'événements et à la complexité sémantique.
3. Validation Empirique : Une validation complète sur des benchmarks de graphes de connaissances dynamiques démontrant des améliorations tant dans la qualité de l'alignement que dans l'efficacité opérationnelle par rapport aux bases de référence statiques et dynamiques existantes.

Résultats Expérimentaux

Le cadre a été évalué sur les partitions dynamiques de DBP15K (ZH-EN, JA-EN, FR-EN), simulant l'évolution du graphe à travers trois étapes temporelles ($t_0, t_1, t_2$).

• Performance d'Alignement Statique : DOKA-Agent a obtenu la meilleure performance globale sur tous les sous-ensembles, surpassant des bases de référence solides comme DINGAL-B, HGCN-JE et LLM-Static. Par exemple, sur DBP15K-FR-EN, il a atteint un Hit@1 de 93,5 % et un F1 de 96,2 %, dépassant la méthode suivante (LLM-Static) de 0,9 % en Hit@1.
• Performance d'Alignement Dynamique : Dans les contextes incrémentaux ($t_1, t_2$), DOKA-Agent a systématiquement surpassé les bases de référence dynamiques (DINGAL-O, DINGAL-U) et les approches directes par LLM (LLM-Direct). Les résultats suggèrent que la capture explicite des événements de changement et la ré-estimation des relations avec un contexte mis à jour est plus efficace que les mises à jour purement structurelles ou la correspondance directe.
• Efficacité Opérationnelle : DOKA-Agent a démontré des gains d'efficacité significatifs. Sur le jeu de données DBP15K-ZH-EN à $t_1$, il a atteint un temps de traitement moyen de 0,9 seconde par événement et un temps d'alignement total de 3,8 secondes, ce qui représente une amélioration de l'efficacité de 96,3 % par rapport à la base de référence statique DINGAL-B (102,5 secondes).
• Étude d'Ablation : La suppression des composants clés (Module de Planification, Similitude Sémantique ou Complétion d'Information) a entraîné des baisses de performance mesurables, confirmant que l'intégration de la planification, de l'encodage sémantique et de l'enrichissement du contexte est essentielle au succès du cadre.

Signification et Revendications

Le document affirme que l'orchestration agentique fournit un mécanisme pratique pour maintenir la cohérence sémantique dans des graphes de connaissances en évolution continue. En formulant l'alignement d'ontologie non pas comme une étape de prédiction monolithique mais comme un flux de travail dynamique impliquant la perception, la planification et l'utilisation d'outils, DOKA-Agent répond aux limites des méthodes incrémentales traditionnelles (qui manquent de profondeur sémantique) et des méthodes statiques de LLM (qui manquent de réactivité aux changements de flux).

Les auteurs soulignent que cette approche offre une interface flexible pour de futures extensions, telles qu'une vérification de contraintes plus forte et une adaptation spécifique au domaine pour des secteurs comme la sécurité industrielle et l'éducation. Cependant, le document maintient une position modeste concernant les limites, reconnaissant que l'implémentation actuelle dépend de la qualité de la capture des événements côté graphe et de la stabilité des sorties du LLM. Il note que la correspondance basée sur le LLM reste vulnérable aux hallucinations et que l'évaluation sur DBP15K ne couvre pas pleinement les contraintes spécifiques au domaine ou le bruit de mise à jour industriel du monde réel. Des travaux futurs sont suggérés pour explorer la collaboration multi-agents et des benchmarks de streaming plus larges.