[控场AI]
· 5 分钟阅读· 2,762 字

AutoOntic:从文本自动归纳本体,构建高质量知识图谱

AutoOntic:从文本自动归纳本体,构建高质量知识图谱

AutoOntic 从文本自动归纳轻量级本体,规范化类型与关系并挖掘层级和约束,显著提升图谱结构化程度与检索精度。

AutoOntic 是一个从文本中自动构建轻量级本体的流水线,旨在解决主流基于大语言模型的无模式抽取只能产出扁平图结构的问题。它通过对开放词汇的实体类型和关系进行规范化、在规范化类型上归纳层级结构,并挖掘关系层面的 domain/range 约束,为知识图谱提供结构化骨架。其层级归纳采用优先级排序加 LLM 仲裁的局部父子检查策略,支持新类型插入时动态重分配已有父子链接。在 Text2KGBench 上,超过 90% 的归纳端点类型与参考类语义对齐;在下游 MINE 任务上,使用 AutoOntic 本体组织的知识图谱检索准确率达到 88%。代码已开源,为领域知识图谱构建提供了可复现的自动化路径。

知识图谱(KG)的质量直接决定了基于图谱的检索增强生成(RAG)的效果。然而,当前主流基于大语言模型(LLM)的无模式抽取流水线,往往只能产出“扁平”的图结构:实体和关系经过去重后,缺乏类型层级和领域/范围约束。针对这一痛点,研究者提出了 AutoOntic——一个能从文本中自动构建本体的流水线,通过规范化开放词汇的实体类型和关系、归纳类型层级、挖掘关系级约束,显著提升了知识图谱的结构化程度。

AutoOntic 论文示意图

为什么需要自动本体归纳?

在传统的知识图谱构建中,本体(Ontology)扮演着“骨架”的角色,它定义了概念的类型体系、属性以及关系约束。但现实是,完全依赖人工构建本体成本高昂且难以扩展;而完全无模式的 LLM 抽取虽然灵活,却丢失了结构化信息。AutoOntic 试图在两者之间找到平衡点:用自动化方式从文本中“学”出一个轻量级本体,再用它来指导图谱的规范化。

具体来说,AutoOntic 的核心任务包括三部分:对开放词汇的实体类型和关系进行规范化(canonicalization),在规范化后的类型上归纳层级结构(hierarchy induction),以及挖掘关系层面的 domain 和 range 约束(即关系的主客体类型限制)。

开放词汇抽取(Open Vocabulary Extraction) 是指不预先限定实体类型和关系类型的集合,而是让模型直接从文本中识别任意类型的实体与关系。这种方式灵活度高,能覆盖领域中新出现的概念,但代价是抽取结果高度碎片化:同一语义的类型可能被表述为多种不同字符串(如“人物”“人”“个人”),关系谓词也缺乏统一约束。AutoOntic 的规范化步骤正是为了消解这种词汇多样性,将开放词汇映射到一组规范化的类型与关系上,从而为后续的层级归纳和约束挖掘提供可操作的符号基础。

本体(Ontology) 在知识工程中指的是一套显式的、形式化的概念化规范,通常包括类(class)、属性(property)、关系(relation)以及它们之间的层级和约束。轻量级本体一般只包含类型层级与 domain/range 约束,不涉及复杂的公理系统。AutoOntic 构建的正是这种轻量级本体:它不追求完备的逻辑推理能力,而是为知识图谱提供一个结构骨架,使实体类型有层级可依、关系有主客体类型限制可循,从而提升图谱的一致性与可查询性。

层级归纳:让类型“自己找到位置”

层级归纳是 AutoOntic 的关键创新。它采用了一种“优先级加局部校验”的策略:首先利用语料库中关系-参数画像(relation-argument profiles)对类型进行优先级排序,然后通过 LLM 仲裁的父子关系检查,将每个类型放置在层级中的合适位置。你可能没注意到,新插入的类型可以触发已有父子链接的重新分配,从而动态优化层级结构。

这种动态调整机制使得层级能够适应文本中涌现的新概念,避免了静态本体的僵化问题。最终得到的层级结构不仅约束了实体去重过程,还为后续关系级 domain/range 约束的归纳提供了基础。

关系-参数画像(Relation-Argument Profiles) 是指对语料库中每个关系所连接的主语和宾语实体类型进行统计汇总,形成该关系在类型层面的分布特征。例如,“出生于”这一关系的主语多为人名类实体、宾语多为地点类实体。这类画像可以反映类型在关系网络中的“位置重要性”:一个类型若频繁出现在多种关系的主语或宾语位置,通常意味着它处于较高的抽象层级或具有更强的连接性。AutoOntic 利用这一信号对类型进行优先级排序,优先将高优先级类型放入层级,再逐步插入低优先级类型,从而减少局部校验的次数并提升层级归纳的效率与稳定性。

Domain 与 Range 约束 是本体中关系层面的基本约束:domain 规定关系主语应属于哪些类型,range 规定关系宾语应属于哪些类型。例如,“导演了”的 domain 可约束为“人物”,range 约束为“电影”。在无模式抽取中,关系两端可以连接任意类型实体,导致图谱中出现大量语义不合理的边。AutoOntic 在归纳出类型层级后,利用层级信息为每个关系挖掘 domain/range 约束,从而在抽取阶段或后处理阶段过滤掉类型不匹配的关系实例,提升图谱的语义一致性。

评估结果:语义对齐与检索精度双丰收

为了评估归纳本体的质量,研究者引入了一种基于参考本体的评估协议,将归纳出的类型与参考领域和范围类进行比对,分类为精确匹配、更宽泛、更狭窄或无关。在 Text2KGBench 的 Wikidata-TekGen 和 DBpedia-WebNLG 子集上,AutoOntic 归纳的端点类型有超过 90% 与参考类语义对齐(在两种 LLM 骨干下),其中约一半为精确匹配,其余差异多与粒度有关。

在下游任务 MINE 上,使用 AutoOntic 构建的本体来组织知识图谱,检索准确率达到 88%。这一结果说明,自动归纳的本体能够有效提升图谱检索的精度,进而为 RAG 系统提供更可靠的支撑。

Text2KGBench 是一个用于评估从文本构建知识图谱能力的基准,包含多个基于不同知识库(如 Wikidata、DBpedia)的子集,并提供参考本体用于衡量抽取结果的结构化质量。其中 Wikidata-TekGen 和 DBpedia-WebNLG 分别对应不同的文本来源与知识库模式,研究者在这些子集上比对 AutoOntic 归纳的类型与参考本体中的类,以评估语义对齐程度。

MINE 是一个面向知识图谱检索的评测任务,考察系统在给定查询下能否从图谱中准确检索到相关实体或事实。使用 AutoOntic 本体组织图谱后检索准确率达到 88%,说明结构化的类型层级与关系约束能够有效缩小检索空间、减少类型歧义带来的噪声,从而为下游 RAG 系统提供更精准的知识支撑。这一结果也间接验证了本体质量与图谱下游可用性之间的正相关关系。

开源与展望

AutoOntic 的代码已在 GitHub 开源(https://github.com/screemix/AutoOntic),为知识图谱构建领域提供了一个可复现、可扩展的工具。对于需要构建领域知识图谱的团队而言,AutoOntic 提供了一条从非结构化文本到结构化本体的自动化路径。未来,如何将本体归纳与图谱补全、推理更紧密地结合,将是值得探索的方向。

#AutoOntic#本体归纳#知识图谱构建#自动本体学习#检索增强生成#类型层级#domain range 约束
分享:

相关推荐