LLM 辅助发现本体网络中的类型化语义链接

一篇 arXiv 论文提出端到端本体网络构建框架，用领域适配的 DistilBERT 嵌入、基于聚类的预过滤和 GPT-4o 迭代提示生成类型化语义链接。在覆盖机器学习、显微学、计算科学与实验流程的 33 个本体网络 ReproduceMeON 上，约 80 万原始概念对缩减为 9.5 万候选，两位标注者验证 429 条关系得到 80.19% 精确率与 0.890 F1。

本体之间的类型化语义链接此前主要依赖人工整理，难以规模化。该工作把候选筛选与 LLM 关系生成串成流程，并在人工验证下给出精确率与 F1 数据，说明跨领域本体的链接发现可能从纯人工转向可评测的半自动流程。

机制是先以领域适配的 DistilBERT 嵌入做稠密上下文表示，再用聚类预过滤压缩候选空间，最后让 GPT-4o 通过迭代提示工程生成关系。消融实验显示，仅靠相似度方法在过滤后的候选集上无法区分有效与无效关系，AUC 约 0.5，说明该任务的判别依赖对概念角色和领域语义的推理，而非向量相似度。

对涉及多本体、多数据源映射的产品与研发流程，可先做嵌入聚类把候选规模降一个数量级，再引入 LLM 生成并人工抽检验证，从而把专家精力集中在少数高价值候选上。但 80.19% 精确率意味着上线时仍需保留人工复核或置信度分流环节。

• 在数据目录或知识图谱产品中加入“聚类预过滤 + LLM 生成 + 人工抽检”的本体链接候选流程。
• 按高确定性标注子集（91.49% 精确率）设计置信度阈值，把链接分为自动采纳与人工复核两档。
• 针对垂直领域微调或替换嵌入模型，复现该流程并记录自身领域的精确率与 F1 基线。

• 80.19% 精确率与 0.890 F1 是否在其他本体网络或领域可复现，论文未给出跨数据集结果。
• 95k 候选之后实际生成的链接占多大比例、错误类型如何分布，摘要未说明。
• 该流程的推理成本、时延与所需人工验证工作量尚无数据。
• 与五个相似度基线对比的配置细节是否公平，仅凭摘要无法确认。