🤖 AI

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

O artigo apresenta o NeurOWL, um framework neuro-simbólico de ponta a ponta que utiliza Grandes Modelos de Linguagem e embeddings de ontologia para verificar a plausibilidade semântica de subsumção em ontologias OWL incompletas e gerar explicações logicamente consistentes com potenciais axiomas ausentes.

Autores originais: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Publicado 2026-07-20

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando resolver um mistério intergaláctico massivo, mas o seu livro de pistas está com várias páginas faltando. Você tem uma lista de regras sobre como diferentes personagens se relacionam entre si — como "Todos os gatos são mamíferos" ou "Todos os mamíferos produzem leite" — mas o livro não diz explicitamente "Todos os gatos persas são animais". No mundo da ciência da computação, isso é chamado de ontologia. Pense em uma ontologia como uma enciclopédia digital super organizada que ensina um computador a entender o mundo. Ela usa uma linguagem rigorosa chamada OWL (Web Ontology Language) para definir regras para que as máquinas possam raciocinar, ou "pensar", sobre como as coisas se encaixam.

No entanto, as enciclopédias do mundo real raramente são perfeitas. Elas costumam ser incompletas porque o mundo é grande demais para escrever todas as regras, ou porque os especialistas ainda não tiveram tempo de terminar o trabalho. Quando um computador tenta usar essas enciclopédias "quebradas", ele fica travado. Ele não consegue provar que um gato persa é um animal porque a regra específica que os conecta está faltando. Este é um problema enorme para campos como a saúde e a biologia, onde perder uma conexão pode significar perder uma cura ou um diagnóstico. Cientistas tentaram consertar isso pedindo aos computadores que adivinhassem as regras ausentes, mas geralmente eles precisam de uma lista pré-escrita de possíveis palpites, o que é como tentar encontrar uma agulha em um palheiro quando você só tem permissão para olhar em uma caixa minúscula e pré-definida.

Apresentamos o NeurOWL, um novo framework que atua como um detetive com um superpoder. Em vez de ficar preso a uma pequena caixa de palpites, o NeurOWL combina a lógica rigorosa de um computador com a intuição criativa de um Modelo de Linguagem Grande (um IA que lê e entende texto humano). Ele não apenas verifica se uma regra é verdadeira; ele tenta descobrir por que ela pode ser verdadeira mesmo que a página do livro de regras esteja faltando, e então escreve a página que falta para você. É como ter um detetive que pode olhar para uma cena de crime, perceber que uma testemunha está faltando e, então, usar seu conhecimento do bairro para adivinhar exatamente quem essa testemunha seria, tudo isso garantindo que seu palpite faça sentido lógico.

O Kit de Ferramentas do Detetive: Como o NeurOWL Funciona

O artigo apresenta o NeurOWL como um framework "neuro-simbólico". Essa é uma maneira sofisticada de dizer que ele mistura dois tipos de pensamento: simbólico (a lógica matemática rigorosa do computador) e neural (a intuição difusa de reconhecimento de padrões da IA). O objetivo é simples: dada uma regra quebrada e uma pergunta como "Um Gato Persa é um Animal?", o NeurOWL decide se a resposta é provavelmente "Sim" ou "Não" e, se for "Sim", encontra as peças que faltam para explicar o porquê.

Aqui está como o detetive resolve o caso, passo a passo:

Passo 1: A Verificação Lógica (O Teste do "Óbvio")
Primeiro, o NeurOWL pergunta à lógica estrita do computador: "Posso provar isso usando apenas as regras que temos agora?" Se a resposta for sim, ótimo! Ele lhe dá a prova. Mas se a resposta for não (porque o livro de regras está incompleto), ele não desiste. Ele assume que algumas regras estão faltando e passa para a próxima etapa.

Passo 2: A Ponte Lógica (A Fase de "Conectar os Pontos")
É aqui que o detetive fica esperto. Se o caminho de "Gato Persa" para "Animal" estiver quebrado, o NeurOWL procura por um conceito de "ponte" que possa conectá-los.

Busca Descendente: Ele olha para os "filhos" do alvo. Se "Animal" tem filhos como "Mamífero" e "Gato", talvez a regra que falta seja "Gato Persa é um Gato"?
Busca Ascendente: Ele olha para os "pais" do ponto de partida. Se "Gato Persa" é um tipo de "Gato de Estimação", talvez a regra que falta seja "Gato de Estimação é um Gato"?
O sistema usa a lógica do computador para encontrar essas pontes potenciais, mas então chama o LLM (o detetive de IA) para verificar as mesmas. A IA lê os nomes e descrições e diz: "Sim, isso faz sentido! Um Gato de Estimação é definitivamente um Gato."

Passo 3: A Ponte Semântica (A Fase do "Pressentimento")
Se a busca lógica falhar, o NeurOWL muda para a pura intuição. Ele usa embeddings, que são como impressões digitais digitais para palavras. Ele pergunta à IA: "Existe algum conceito em toda a enciclopédia que parece estar posicionado entre 'Gato Persa' e 'Animal'?" A IA varre seu vasto conhecimento de linguagem e sugere um candidato. Se encontrar um, ela verifica se a conexão se mantém. Se não, ela pode simplesmente supor que a regra "Gato Persa é um Animal" está faltando inteiramente e precisa ser adicionada diretamente.

O Que Eles Descobriram: Uma História de Sucesso de um Detetive

Os pesquisadores testaram o NeurOWL com dados do mundo real de duas enciclopédias massivas: FoodOn (sobre alimentos e agricultura) e Snomed CT (um enorme banco de dados médico). Eles criaram versões "quebradas" dessas enciclopédias deletando aleatoriamente 5% das regras, apenas para ver se o NeurOWL conseguiria consertá-las.

Os resultados foram impressionantes. Quando questionado se uma regra ausente era plausível, o NeurOWL acertou cerca de 97% das vezes no conjunto de dados FoodOn e 96,8% no Snomed CT. Mas a verdadeira magia estava nas explicações. Ao contrário de outros métodos que apenas dizem "Sim" ou "Não", o NeurOWL realmente escreveu as regras que faltavam.

No conjunto de dados FoodOn, ele identificou corretamente as regras ausentes e as explicou com uma pontuação de 89,3 (chamada X-F1).
No conjunto de dados médicos, ele alcançou uma pontuação de 84,7.

O artigo também mostrou que o NeurOWL é flexível. Ele pode trabalhar sem nenhum treinamento adicional (usando uma IA pré-treinada) ou pode ser "ajustado" (recebendo um curso intensivo sobre a enciclopédia específica) para se tornar ainda melhor em termos médicos complexos. Na verdade, a versão ajustada teve um desempenho significativamente melhor para os casos médicos mais complicados envolvendo relações complexas, provando que dar ao detetive um manual de treinamento especializado ajuda.

O Que o NeurOWL Não É (E o Que Ele Descarta)

É importante saber o que o NeurOWL não faz. O artigo descarta explicitamente a ideia de que você precisa de uma lista pré-definida de possíveis regras ausentes para resolver o problema. Os métodos antigos exigiam que os cientistas dissesm: "Aqui estão as 100 regras que você pode adivinhar". O NeurOWL joga fora esse livro de regras e diz: "Vou olhar para o mundo inteiro e adivinhar o que quer que se encaixe".

Os autores também esclarecem que não estão alegando ter "resolvido" o raciocínio de ontologia para sempre. Eles não estão dizendo que o computador agora é mais inteligente que um especialista humano. Em vez disso, sugerem que este método é uma ferramenta poderosa para auxiliar especialistas. O sistema é projetado para lidar com casos onde a regra alvo pode também estar errada. Se a IA pensar que "Gatos Persas são Rochas", ela dirá "Não" e parará, em vez de forçar uma explicação ruim.

A confiança nesses resultados vem de testes rigorosos em milhares de exemplos. Os números não são palpites; são resultados medidos através da execução do sistema em dados reais. No entanto, o artigo observa que em cenários extremamente complexos (como adivinhar regras envolvendo restrições médicas muito específicas), o desempenho do sistema cai um pouco, sugerindo que ainda há espaço para melhorias.

A Conclusão

O NeurOWL é como um detetive que não apenas resolve o mistério, mas também escreve o capítulo que faltava na história. Ao combinar a lógica estrita dos computadores com a intuição criativa da IA, ele pode olhar para uma enciclopédia quebrada, descobrir o que está faltando e explicar por que está faltando. Ele não precisa de uma lista de consulta de respostas possíveis; ele apenas usa seu conhecimento do mundo para preencher as lacunas. Para qualquer pessoa que trabalhe com dados complexos, de médicos a cientistas de alimentos, isso significa que em breve poderemos ter assistentes de IA que não apenas respondem perguntas, mas também nos ajudam a consertar os livros que usamos para fazê-las.

Resumo Técnico: NeurOWL

Declaração do Problema

As ontologias OWL servem como um arcabouço formal para representação de conhecimento estruturado e raciocínio automatizado, amplamente utilizadas em domínios como saúde e bioinformática. No entanto, as ontologias do mundo real são frequentemente incompletas devido à evolução do conhecimento do domínio e ao alto custo da curadoria por especialistas. Essa incompletude leva a um desafio específico de raciocínio: dada uma ontologia incompleta $O'$ e uma subordinação candidata $\alpha$ (ex: $A \sqsubseteq B$ ) que não é logicamente entailada por $O'$ , o sistema deve determinar:

Plausibilidade: A subordinação é semanticamente plausível (ou seja, ela seria válida se a ontologia estivesse completa)?
Abdução: Se for plausível, quais são os axiomas ausentes (hipóteses) que, quando adicionados a $O'$ , entailariam $\alpha$ ?

As abordagens existentes de raciocínio abdutivo sofrem de duas limitações principais: elas tipicamente dependem de um espaço de hipóteses predefinido (restringindo os candidatos a um vocabulário fixo) e frequentemente assumem que a subordinação alvo é válida, falhando em lidar com casos onde a própria subordinação é incorreta. Além disso, embora os Modelos de Linguagem de Grande Escala (LLMs) tenham sido aplicados a tarefas de ontologia, eles geralmente carecem da capacidade de fornecer explicações logicamente sólidas ou de integrar semântica formal de maneira eficaz.

Metodologia: O Framework NeurOWL

Para enfrentar esses desafios, os autores propõem o NeurOWL, um framework neuro-simbólico de ponta a ponta que unifica a verificação de subordinação e a abdução de ontologias. O framework aproveita tanto a semântica formalmente definida (via embeddings de ontologia) quanto a semântica textual (via LLMs) para operar sem um conjunto de candidatos pré-definido de axiomas ausentes.

O mecanismo central envolve a identificação de conceitos intermediários (pontes) que conectam o sujeito ( $A$ ) e o objeto ( $B$ ) da subordinação, ou a verificação direta da subordinação. O processo é estruturado em três estágios sequenciais:

1. Verificação Lógica (Estágio 1)

Um raciocinador de Lógica de Descrição (DL) padrão verifica se $O' \models A \sqsubseteq B$ .

Se verdadeiro: O sistema retorna True com uma justificativa (conjunto mínimo de axiomas de $O'$ ).
Se falso: O sistema assume que existem axiomas ausentes e prossegue para os estágios subsequentes.

2. Ponte Lógica (Estágio 2)

Este estágio tenta encontrar axiomas ausentes explorando a estrutura lógica existente de $O'$ . Ele utiliza um modelo de embedding de ontologia (ex: OnT) para recuperar os top- $k$ candidatos, que são então validados por um LLM.

2a (Descendente): Identifica conceitos filhos $B'$ de $B$ em $O'$ ( $O' \models B' \sqsubseteq B$ ). O sistema hipotetiza um axioma ausente $A \sqsubseteq B'$ .
2b (Ascendente): Identifica conceitos pais $A'$ de $A$ em $O'$ ( $O' \models A \sqsubseteq A'$ ). O sistema hipotetiza um axioma ausente $A' \sqsubseteq B$ .
Verificação: Um LLM valida a plausibilidade do candidato axioma ausente. Se válido, a justificativa é construída como $\{A \sqsubseteq B'\} \cup J_{B' \sqsubseteq B}$ (ou o caso simétrico).

3. Ponte por Embedding (Estágio 3)

Se o Estágio 2 falhar, o sistema busca por axiomas ausentes baseando-se puramente em similaridade semântica.

3a (Busca Bidirecional): Busca por um conceito intermediário $C$ tal que $A \sqsubseteq C \sqsubseteq B$ . Os candidatos são extraídos de conceitos atômicos (ou conceitos complexos como $\exists r.B_1$ em configurações específicas) e classificados por uma função de pontuação $s(C) = \frac{1}{2}(s(A \sqsubseteq C) + s(C \sqsubseteq B))$ . Os principais candidatos são verificados pelo LLM.
3b (Verificação Direta): Se nenhuma ponte adequada for encontrada, o sistema trata $A \sqsubseteq B$ como uma asserção elementar. O LLM verifica diretamente a plausibilidade da própria subordinação. Se considerada correta, ela é retornada como o axioma ausente; caso contrário, o sistema retorna False.

Detalhes de Implementação:

Embeddings: O framework utiliza OnT (ajustado/fine-tuned na ontologia alvo) ou SBERT (pré-treinado) para codificar conceitos e papéis.
LLM: O modelo Qwen3.5-9B é utilizado para a verificação baseada em prompts de candidatos a axiomas e pontes.
Capacidade Iterativa: O framework pode ser aplicado iterativamente, utilizando os axiomas ausentes previstos como novos inputs para refinar a cadeia de raciocínio.

Contribuições Principais

Tarefa Generalizada de Abdução de TBox: Os autores definem uma tarefa que não requer um conjunto de candidatos pré-definido de axiomas ausentes e lida explicitamente com casos onde a subordinação dada é incorreta (entailment negativo).
Framework NeurOWL: Um sistema neuro-simbólico de ponta a ponta que realiza conjuntamente a verificação de subordinação e a abdução, integrando embeddings de ontologia e LLMs para operar em configurações tanto sem treinamento quanto com ajuste fino.
Avaliação Empírica: Avaliação abrangente em ontologias do mundo real (FoodOn e Snomed CT), demonstrando eficácia em diferentes graus de incompletude e complexidade (conceitos atômicos vs. conceitos de restrição existencial).

Resultados Experimentais

Os autores avaliaram o NeurOWL em datasets construídos a partir de FoodOn e Snomed CT, simulando a incompletude removendo 5% dos axiomas de TBox. A avaliação incluiu tanto configurações "Standard" (conceitos atômicos como pontes) quanto "Complex" (restrições existenciais $\exists r.B$ como pontes).

Principais Descobertas:

Desempenho: O NeurOWL superou consistentemente os baselines (apenas LLM, SBERT e classificadores OnT) em termos de F1-score.
- No FoodOnA, o NeurOWL (OnT) alcançou um F1 de 0.960 (Hard Neg: 0.845).
- No SnomedA, o NeurOWL (OnT) alcançou um F1 de 0.968 (Hard Neg: 0.862).
- No Snomed $\exists$ (conceitos complexos), o NeurOWL (OnT) alcançou um F1 de 0.924, superando significativamente a variante SBERT (0.906) e demonstrando a necessidade de ajuste fino para estruturas lógicas complexas.
Qualidade da Explicação: O framework alcançou altos escores de X-F1 (predição correta + explicação correta) e X-F1* (todas as pontes preditas corretas).
- No FoodOnA, o NeurOWL (OnT) atingiu X-F1: 0.893 e X-F1: 0.793*.
- A variante ajustada do OnT superou significativamente a variante SBERT (sem ajuste) em precisão de explicação, particularmente em cenários complexos.
Análise de Estágios: Os estágios 2a e 2b (Ponte Lógica) geraram o maior desempenho de recuperação (H@1 > 0.9 para o Estágio 2b no SnomedA). O Estágio 3a (Bidirecional) teve um desempenho de recuperação menor devido ao maior espaço de candidatos, mas permaneceu crucial para casos onde as pontes lógicas estavam ausentes.
Aplicação Iterativa: Casos de estudo demonstraram que a aplicação iterativa do NeurOWL poderia gerar cadeias de axiomas ausentes progressivamente mais granulares (ex: refinando uma subordinação de um distúrbio amplo para um tumor maligno específico).

Significância e Alegações

O artigo afirma que o NeurOWL representa um passo significativo ao unificar a verificação de subordinação com a abdução de ontologias em um único framework. Sua principal significância reside em:

Remoção da Restrição de Hipótese Predefinida: Ao contrário de trabalhos anteriores, o NeurOWL não depende de um vocabulário ou assinatura fixa, permitindo descobrir axiomas ausentes envolvendo qualquer conceito na ontologia.
Lidar com Incerteza: Ele aborda explicitamente o cenário onde a validade da subordinação alvo é incerta, distinguindo entre subordinações "plausíveis, mas ausentes" e "incorretas".
Explicabilidade: Fornece não apenas uma decisão binária, mas uma explicação logicamente sólida contendo os axiomas ausentes específicos e a cadeia de justificativa, unindo a compreensão semântica neural ao raciocínio lógico simbólico.

Os autores concluem que, embora o trabalho atual foque em ontologias EL e restrições existenciais, o framework é adaptável e estabelece uma base para futuras extensões a operadores lógicos mais complexos (ex: $\forall$ , $\neg$ ) e capacidades de raciocínio iterativo.