🤖 AI

NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning

Il documento introduce NeurOWL, un framework neuro-simbolico end-to-end che sfrutta i Large Language Models e gli embedding delle ontologie per verificare la plausibilità semantica della sussunzione in ontologie OWL incomplete e generare spiegazioni logicamente fondate con potenziali assiomi mancanti.

Autori originali: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Pubblicato 2026-07-20

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di risolvere un mistero intergalattico massiccio, ma il tuo libro degli indizi ha diverse pagine mancanti. Hai un elenco di regole su come i diversi personaggi sono correlati tra loro — come "Tutti i gatti sono mammiferi" o "Tutti i mammiferi producono latte" — ma il libro non dice esplicitamente "Tutti i gatti persiani sono animali". Nel mondo dell'informatica, questo è chiamato un ontologia. Pensa a un'ontologia come a un'enciclopedia digitale super organizzata che insegna a un computer come comprendere il mondo. Utilizza un linguaggio rigoroso chiamato OWL (Web Ontology Language) per definire regole in modo che le macchine possano ragionare, o "pensare", su come le cose si incastrano tra loro.

Tuttavia, le enciclopedie del mondo reale sono raramente perfette. Sono spesso incomplete perché il mondo è troppo grande per scrivere ogni singola regola, o perché gli esperti non hanno avuto il tempo di finire il lavoro. Quando un computer cerca di usare queste enciclopedie "rotte", si blocca. Non può provare che un gatto persiano sia un animale perché la regola specifica che li connette è mancante. Questo è un enorme problema per campi come l'assistenza sanitaria e la biologia, dove perdere una connessione potrebbe significare perdere una cura o una diagnosi. Gli scienziati hanno cercato di risolvere il problema chiedendo ai computer di indovinare le regole mancanti, ma di solito hanno bisogno di un elenco pre-scritto di possibili ipotesi, il che è come cercare un ago in un pagliaio quando ti è permesso di guardare solo in una piccola scatola predefinita.

Entra in scena NeurOWL, un nuovo framework che agisce come un detective con un superpotere. Invece di essere bloccato con una piccola scatola di ipotesi, NeurOWL combina la logica rigorosa di un computer con l'intuizione creativa di un Large Language Model (un'IA che legge e comprende il testo umano). Non si limita a controllare se una regola è vera; cerca di capire perché potrebbe esserlo anche se il libro delle regole ha una pagina mancante, e poi scrive la pagina mancante per te. È come avere un detective che può guardare una scena del crimine, rendersi conto che un testimone manca, e poi usare la sua conoscenza del quartiere per indovinare esattamente chi potrebbe essere quel testimone, il tutto garantendo che la sua ipotesi abbia senso logico.

Il Kit di Attrezzi del Detective: Come Funziona NeurOWL

Il documento presenta NeurOWL come un framework "neuro-simbolico". Questa è un modo elegante per dire che mescola due tipi di pensiero: simbolico (la logica matematica e rigorosa del computer) e neurale (l'intuizione sfumata e basata sul riconoscimento di pattern dell'IA). L'obiettivo è semplice: data una regola interrotta e una domanda come "Un gatto Persiano è un Animale?", NeurOWL decide se la risposta è probabilmente "Sì" o "No" e, se è "Sì", trova i pezzi mancanti del puzzle per spiegare il perché.

Ecco come il detective risolve il caso, passo dopo passo:

Passaggio 1: Il Controllo Logico (Il Test dell' "Ovvio")
Per prima cosa, NeurOWL interroga la logica rigorosa del computer: "Posso provare questo usando solo le regole che abbiamo in questo momento?". Se la risposta è sì, ottimo! Ti fornisce la prova. Ma se la risposta è no (perché il libro delle regole è incompleto), non si arrende. Assume che alcune regole siano mancanti e passa al passaggio successivo.

Passaggio 2: Il Ponte Logico (La Fase del "Connetti i Punti")
È qui che il detective diventa astuto. Se il percorso da "Gatto Persiano" ad "Animale" è interrotto, NeurOWL cerca un concetto "ponte" che potrebbe connetterli.

Ricerca verso il basso (Downward Search): Cerca i "figli" del bersaglio. Se "Animale" ha figli come "Mammifero" e "Gatto", forse la regola mancante è "Gatto Persiano è un Gatto"?
Ricerca verso l'alto (Upward Search): Cerca i "genitori" del punto di partenza. Se "Gatto Persiano" è un tipo di "Gatto Domestico", forse la regola mancante è "Gatto Domestico è un Gatto"?
Il sistema usa la logica del computer per trovare questi potenziali ponti, ma poi chiama l'LLM (il detective IA) per verificarli. L'IA legge i nomi e le descrizioni e dice: "Sì, ha senso! Un Gatto Domestico è sicuramente un Gatto".

Passaggio 3: Il Ponte Semantico (La Fase del "Sesto Senso")
Se la ricerca logica fallisce, NeurOWL passa alla pura intuizione. Utilizza gli embeddings, che sono come impronte digitali per le parole. Chiede all'IA: "C'è qualche concetto nell'intera enciclopedia che sembra trovarsi tra 'Gatto Persiano' e 'Animale'?". L'IA scansiona la sua vasta conoscenza del linguaggio e suggerisce un candidato. Se ne trova uno, controlla se la connessione regge. Altrimenti, potrebbe semplicemente ipotizzare che la regola "Gatto Persiano è un Animale" sia mancante interamente e debba essere aggiunta direttamente.

Cosa Hanno Scoperto: La Storia di Successo di un Detective

I ricercatori hanno testato NeurOWL su dati reali provenienti da due enormi enciclopedie: FoodOn (riguardante cibo e agricoltura) e Snomed CT (un enorme database medico). Hanno creato versioni "rotte" di queste enciclopedie eliminando casualmente il 5% delle regole, solo per vedere se NeurOWL potesse ripararle.

I risultati sono stati impressionanti. Quando gli veniva chiesto di indovinare se una regola mancante fosse plausibile, NeurOWL ci riusciva circa il 97% delle volte sul dataset FoodOn e il 96,8% sul dataset Snomed CT. Ma la vera magia risiedeva nelle spiegazioni. A differenza di altri metodi che si limitano a dire "Sì" o "No", NeurOWL scriveva effettivamente le regole mancanti.

Sul dataset FoodOn, ha identificato correttamente le regole mancanti e le ha spiegate con un punteggio di 89,3 (chiamato X-F1).
Sul dataset medico, ha ottenuto un punteggio di 84,7.

Il documento mostra anche che NeurOWL è flessibile. Può lavorare senza alcun addestramento extra (usando un'IA pre-addestrata) o può essere "affinato" (ricevendo un corso intensivo sull'enciclopedia specifica) per diventare ancora più bravo con i termini medici complessi. Infatti, per i casi medici più difficili che coinvolgono relazioni complesse, la versione affinata ha ottenuto prestazioni significativamente migliori, dimostrando che dare al detective un manuale di istruzioni specializzato aiuta.

Cosa NeurOWL Non È (E Cosa Esclude)

È importante sapere cosa non fa NeurOWL. Il documento esclude esplicitamente l'idea che sia necessario un elenco predefinito di possibili regole mancanti per risolvere il problema. I vecchi metodi richiedevano agli scienziati di dire: "Ecco le 100 regole che puoi indovinare". NeurOWL getta via quel libro delle regole e dice: "Guarderò l'intero mondo e indovinerò qualunque cosa si adatti".

Gli autori chiariscono anche che non stanno sostenendo di aver "risolto" l'ontologia per sempre. Non dicono che il computer è ora più intelligente di un esperto umano. Suggeriscono invece che questo metodo è uno strumento potente per assistere gli esperti. Il sistema è progettato per gestire anche i casi in cui la regola bersaglio potrebbe essere errata: se l'IA pensa che "I Gatti Persiani sono Rocce", dirà "No" e si fermerà, invece di forzare una cattiva spiegazione.

La fiducia in questi risultati deriva da test rigorosi su migliaia di esempi. I numeri non sono congetture; sono risultati misurati dall'esecuzione del sistema su dati reali. Tuttavia, il documento nota che in scenari estremamente complessi (come indovinare regole che coinvolgono restrizioni mediche molto specifiche), le prestazioni del sistema calano leggermente, suggerendo che c'è ancora spazio per il miglioramento.

In Sintità

NeurOWL è come un detective che non si limita a risolvere il mistero, ma scrive anche il capitolo mancante della storia. Combinando la logica rigorosa dei computer con l'intuizione creativa dell'IA, può guardare un'enciclopedia interrotta, capire cosa manca e spiegare perché manchi. Non ha bisogno di un foglio con le risposte possibili; usa semplicemente la sua conoscenza del mondo per colmare le lacune. Per chiunque lavori con dati complessi, dai medici agli scienziati alimentari, questo significa che potremmo presto avere assistenti IA che non solo possono rispondere alle domande, ma possono anche aiutarci a riparare i libri che usiamo per porle.

Riepilogo Tecnico: NeurOWL

Problematica

Le ontologie OWL fungono da framework formale per la rappresentazione della conoscenza strutturata e il ragionamento automatizzato, ampiamente utilizzati in domini come l'assistenza sanitaria e la bioinformatica. Tuttavia, le ontologie del mondo reale sono frequentemente incomplete a causa dell'evoluzione della conoscenza del dominio e dell'alto costo della cura esperta. Questa incompletezza porta a una specifica sfida di ragionamento: data un'ontologia incompleta $O'$ e una candidata sussunzione $\alpha$ (ad es., $A \sqsubseteq B$ ) che non è logicamente implicata da $O'$ , il sistema deve determinare:

Plausibilità: La sussunzione è semanticamente plausibile (ovvero, terrebbe se l'ontologia fosse completa)?
Abduzione: Se plausibile, quali sono gli assiomi mancanti (ipotesi) che, se aggiunti a $O'$ , implicherebbero $\alpha$ ?

Gli approcci esistenti al ragionamento abduttivo soffrono di due limitazioni principali: si basano tipicamente su uno spazio di ipotesi predefinito (limitando i candidati a un vocabolario fisso) e spesso assumono che la sussunzione target sia valida, fallendo nel gestire i casi in cui la sussunzione stessa è errata. Inoltre, sebbene i Large Language Models (LLM) siano stati applicati ai compiti ontologici, essi generalmente mancano della capacità di fornire spiegazioni logicamente solide o di integrare efficacemente la semantica formale.

Metodologia: Il Framework NeurOWL

Per affrontare queste sfide, gli autori propongono NeurOWL, un framework neuro-simbolico end-to-end che unifica la verifica della sussunzione e l'abduzione ontologica. Il framework sfrutta sia la semantica formalmente definita (tramite embedding di ontologie) sia la semantica testuale (tramite LLM) per operare senza un insieme di candidati di assiomi mancanti predefinito.

Il meccanismo centrale consiste nell'identificare concetti intermedi (ponti) che collegano il soggetto ( $A$ ) e l'oggetto ( $B$ ) della sussunzione, o nel verificare direttamente la sussunzione. Il processo è strutturato in tre stadi sequenziali:

1. Controllo Logico (Stadio 1)

Un ragionatore standard di Logica Descrittiva (DL) controlla se $O' \models A \sqsubseteq B$ .

Se vero: Il sistema restituisce True con una giustificazione (insieme minimo di assiomi da $O'$ ).
Se falso: Il sistema assume che esistano assiomi mancanti e procede agli stadi successivi.

2. Bridging Logico (Stadio 2)

Questo stadio tenta di trovare assiomi mancanti sfruttando la struttura logica esistente di $O'$ . Utilizza un modello di embedding di ontologia (ad es., OnT) per recuperare i candidati top- $k$ , che vengono poi validati da un LLM.

2a (Verso il basso): Identifica concetti figli $B'$ di $B$ in $O'$ ( $O' \models B' \sqsubseteq B$ ). Il sistema ipotizza un assioma mancante $A \sqsubseteq B'$ .
2b (Verso l'alto): Identifica concetti genitori $A'$ di $A$ in $O'$ ( $O' \models A \sqsubseteq A'$ ). Il sistema ipotizza un assioma mancante $A' \sqsubseteq B$ .
Verifica: Un LLM valida la plausibilità del candidato assioma mancante. Se valido, la giustificazione è costruita come $\{A \sqsubseteq B'\} \cup J_{B' \sqsubseteq B}$ (o il caso simmetrico).

3. Bridging tramite Embedding (Stadio 3)

Se lo Stadio 2 fallisce, il sistema cerca assiomi mancanti basandosi puramente sulla somiglianza semantica.

3a (Ricerca Bidirezionale): Cerca un concetto intermedio $C$ tale che $A \sqsubseteq C \sqsubseteq B$ . I candidati sono tratti da concetti atomici (o concetti complessi come $\exists r.B_1$ in contesti specifici) e classificati da una funzione di punteggio $s(C) = \frac{1}{2}(s(A \sqsubseteq C) + s(C \sqsubseteq B))$ . I top candidati sono verificati dall'LLM.
3b (Controllo Diretto): Se non viene trovato un ponte adatto, il sistema tratta $A \sqsubseteq B$ come un'asserzione elementare. L'LLM verifica direttamente la plausibilità della sussunzione stessa. Se ritenuta corretta, viene restituita come l'assioma mancante; altrimenti, il sistema restituisce False.

Dettagli di Implementazione:

Embeddings: Il framework utilizza OnT (fine-tuned sull'ontologia target) o SBERT (pre-trained) per codificare concetti e ruoli.
LLM: Il modello Qwen3.5-9B è utilizzato per la verifica basata su prompt dei candidati assiomi e dei ponti.
Capacità Iterativa: Il framework può essere applicato iterativamente, utilizzando gli assiomi mancanti predetti come nuovi input per raffinare la catena di ragionamento.

Contributi Chiave

Compito di Abduzione TBox Generalizzato: Gli autori definiscono un compito che non richiede un insieme di candidati di assiomi mancanti predefinito e gestisce esplicitamente i casi in cui la sussunzione data è errata (negazione dell'implicazione).
Framework NeurOWL: Un sistema neuro-simbolico end-to-end che esegue congiuntamente verifica e abduzione, integrando gli embedding delle ontologie e gli LLM per operare sia in contesti senza training che in contesti con fine-tuning.
Valutazione Empirica: Valutazione completa su ontologie reali (FoodOn e Snomed CT), dimostrando l'efficacia attraverso diversi gradi di incompletezza e complessità (concetti atomici vs concetti di restrizione esistenziale).

Risultati Sperimentali

Gli autori hanno valutato NeurOWL su dataset costruiti da FoodOn e Snomed CT, simulando l'incompletezza rimuovendo il 5% degli assiomi TBox. La valutazione ha incluso sia impostazioni "Standard" (concetti atomici come ponti) che "Complesse" (restrizioni esistenziali $\exists r.B$ come ponti).

Risultati Principali:

Performance: NeurOWL ha superato costantemente i baseline (LLM-only, SBERT e classificatori OnT) in termini di F1-score.
- Su FoodOnA, NeurOWL (OnT) ha ottenuto un F1 di 0.960 (Hard Neg: 0.845).
- Su SnomedA, NeurOWL (OnT) ha ottenuto un F1 di 0.968 (Hard Neg: 0.862).
- Su Snomed $\exists$ (concetti complessi), NeurOWL (OnT) ha ottenuto un F1 di 0.924, superando significativamente la variante SBERT (0.906) e dimostrando la necessità del fine-tuning per strutture logiche complesse.
Qualità della Spiegazione: Il framework ha ottenuto punteggi elevati di X-F1 (predizione corretta + spiegazione corretta) e X-F1* (tutti i ponti predetti sono corretti).
- Su FoodOnA, NeurOWL (OnT) ha raggiunto X-F1: 0.893 e X-F1: 0.793*.
- La variante fine-tuned di OnT ha superato significativamente la variante training-free di SBERT in termini di accuratezza della spiegazione, specialmente in contesti complessi.
Analisi degli Stadi: Gli stadi 2a e 2b (Bridging Logico) hanno prodotto le prestazioni di recupero più elevate (H@1 > 0.9 per lo stadio 2b su SnomedA). Lo stadio 3a (Bidirezionale) ha avuto prestazioni di recupero inferiori a causa dello spazio di candidati più ampio, ma è rimasto cruciale per i casi in cui i ponti logici erano assenti.
Applicazione Iterativa: Gli studi di caso hanno dimostrato che l'applicazione iterativa di NeurOWL può generare catene di assiomi mancanti progressivamente più fini (ad es., raffinando una sussunzione da un disturbo generico a un tumore maligno specifico).

Significato e Rivendicazioni

Il paper sostiene che NeurOWL rappresenti un passo avanti significativo unificando la verifica della sussunzione con l'abduzione ontologica in un unico framework. Il suo significato primario risiede in:

Rimozione del Vincolo di Ipotesi Predefinita: A differenza del lavoro precedente, NeurOWL non dipende da un vocabolario o una firma fissi, consentendo di scoprire assiomi mancanti che coinvolgono qualsiasi concetto nell'ontologia.
Gestione dell'Incertezza: Affronta esplicitamente lo scenario in cui la validità della sussunzione target è incerta, distinguendo tra sussunzioni "plausibili ma mancanti" e "errate".
Spiegabilità: Fornisce non solo una decisione binaria ma una spiegazione logicamente solida contenente gli assiomi mancanti specifici e la catena di giustificazione, colmando il divario tra comprensione semantica neurale e ragionamento logico simbolico.

Gli autori concludono che, sebbene l'attuale lavoro si concentri sulle ontologie EL e sulle restrizioni esistenziali, il framework è adattabile e pone le basi per estensioni future a operatori logici più complessi (ad es., $\forall$ , $\neg$ ) e capacità di ragionamento iterativo.