GOI：利用大模型从文档语料自动归纳领域本体

核心内容

arXiv 最新论文《Generative Ontology Induction: Domain-Agnostic Schema Discovery from Document Corpora Using Large Language Models》提出了一套名为「生成式本体归纳」（Generative Ontology Induction，GOI）的框架。该工作瞄准知识密集型 AI 系统中的瓶颈——本体工程，试图用大模型从一组示例文档中自动抽取出实体、维度、属性、关系与约束，并以包含六种节点类型和七种边类型的「类型化图」形式导出为 YAML 或 JSON，供下游流水线直接消费。

论文同时提出了一个新的评价指标——节点覆盖率（Node Coverage Score），用于衡量生成结果中出现的结构本体节点（类、属性、维度）相对于参考本体骨架的比例，弥补了以往本体生成工作缺乏统一量化指标的不足。

方法概览

GOI 的核心思路是「以示例语料驱动」：用户只需提供一组同一类型的文档，系统通过提示工程引导大模型归纳出该领域的生成式蓝图，再以结构化格式输出。具体而言：

• 输入：一组同一文档类型的样例语料；
• 过程：由 LLM 在提示下识别实体类型、维度、属性、关系与约束；
• 输出：一张带有节点/边类型的类型化图（typed graph），序列化为 YAML 或 JSON，可直接接入下游知识管线。

作者强调，GOI 不依赖任何预定义的本体模板，也不限定行业领域，因此被定位为「领域无关」的归纳框架。

关键实验数据

研究者在四类差异显著的本体上进行了受控生成验证：

• 软件服务发票（Software Services Invoice）——模型较为熟悉的常见业务文档；
• 职位描述本体（Job Description Ontology）——自定义领域；
• 疼痛管理临床就诊记录本体（Pain-Management Clinical Visit Record Ontology）——含敏感医疗数据的私有本体；
• 专业服务合同与工作说明书本体（Professional Services Contract & SOW Ontology）——法律合同类文档。

结果显示：

• 使用 GOI 提示的生成结果在所有四个本体上均覆盖了 95-100% 的结构骨架；
• 作为对照，一个通用的「三字段模板」（generic three-field template）在发票本体上仍能保持 97.8% 的覆盖率，但在职位描述本体上骤降至 52.2%，在疼痛管理本体上为 62.2%，在专业服务合同本体上为 78.3%；
• 结构覆盖率与文档类型对模型而言是否「熟悉」无关，验证了方法的领域无关性。

意义与局限

GOI 为知识工程师提供了一种「少样本、零模板」的本体构建路径，理论上可加速企业内部知识图谱、合同审阅、临床数据建模等场景的启动成本。然而，论文目前仅给出结构覆盖率这一项指标，对归纳结果在下游任务（如检索增强、推理）中的实际效果尚未涉及；同时，不同 LLM 后端在该任务上的表现差异也未展开横向比较。整体而言，该工作更偏向方法论层面的探索，距离工业级落地仍需后续研究与工程化验证。