OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs
本文介绍了 OntoExtend，这是一个需求驱动的框架，它利用大语言模型的检索增强生成技术，基于能力问题提出具身本体扩展，并通过在欧盟及工业数据集上的评估证明，该框架能有效充当起草助手，仅需少量修订即可用于实际集成。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图建立一个关于世界的、庞大且不断增长的知识库。在计算机科学领域，这个知识库被称为本体（Ontology）。不要把它仅仅看作一个书架，而要把它看作一张极其严格的数字地图，定义了万物是如何连接的。它是那本规则手册，告诉计算机“汽车”是一种“交通工具”，“交通工具”拥有“发动机”，而“发动机”必须有“燃料来源”。这些地图对于帮助人工智能理解世界非常有用，但它们极难构建，甚至更难更新。每当现实世界发生变化或我们有了新发现时，总得有人坐下来手动重写这些规则，这既缓慢、枯燥，又容易出错。
最近，一种新型的超级聪明计算机大脑——**大语言模型（LLM）**来到了我们面前。你可能知道它们是那些能写故事、解数学题或回答你几乎任何问题的聊天机器人。这些模型擅长理解语言，但它们并不完美地遵循严格的逻辑规则。如果你只是要求它们“制作一张关于汽车的地图”，它们可能会变得天马行空，发明一些不合逻辑的规则，或者如果给它们的图书馆太大，它们可能会感到应接不暇。研究人员一直在问一个大问题：我们能否利用这些善于交谈、富有创造力的 AI 大脑，在不让它们产生混乱或凭空捏造的情况下，来更新我们那些严格的、逻辑性的知识地图？
这正是论文 《OntoExtend》 所要解决的问题。作者们（来自大学和工业界的科研团队）构建了一个名为 OntoExtend 的新框架（一套计算机指令）。OntoExtend 并不是要求 AI 从头开始构建一整张新地图，而是扮演了一个聪明图书管理员的角色。当你有一个新的问题或需求（例如“我们需要追踪电动汽车电池”）时，系统首先会进入现有的图书馆，只找出与该主题相关的特定页面和规则，并将仅有的这些页面交给 AI。然后，它要求 AI 仅基于它刚刚读到的内容，来编写故事中缺失的部分。
研究人员在两个截然不同的现实世界图书馆上测试了这个想法：一个是关于欧洲联盟循环经济与回收利用项目的项目，另一个是来自博世（Bosch）这一大型工业公司的项目。他们向系统提出了 39 个具体问题（称为“胜任力问题”），这些问题是这些图书馆需要回答的。结果非常令人鼓舞。在这一聪明图书管理员系统的引导下，AI 成功编写了知识地图的新章节，且几乎完全正确。事实上，这些新章节的错误极少，当人类专家进行审查时，他们表示 AI 做得非常好，在将新规则正式加入图书馆之前，他们只需要进行微小的调整即可。
然而，论文也提出了一个至关重要的限制：AI 的水平取决于你提出的问题。如果问题模糊不清，AI 的回答也会如此。但当需求明确时，OntoExtend 表明我们终于可以使用这些强大的 AI 工具来保持我们的数字知识地图处于最新状态，将一项过去需要数天人工完成的任务转变为快速的辅助起草环节。这就像拥有一个聪明的助手，他知道该从书架上取下哪些书来协助你完成项目，而不是让你尝试自己读完整个图书馆。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。