OntoDoc：多智能体框架自动生成本体资源描述

知识图谱和本体是结构化、机器可读知识表示的基础，但本体中的术语往往缺乏自然语言描述，这限制了它们的可访问性和复用性。现有的本体语言化方法多依赖基于规则或模板的技术，只能处理严格的形式化模式公理，生成的描述较为僵硬，难以传达更丰富的上下文语义。为此，研究者提出了 OntoDoc——一个多智能体框架，能够为 SPARQL 端点或 RDF 文件中的任意国际化资源标识符（IRI）自动生成自然语言描述。

现有方法的局限与 OntoDoc 的突破

传统的本体语言化（ontology verbalization）通常采用规则或模板驱动的方式，直接基于形式化公理生成文本。这种方法虽然可控，但灵活性差，无法利用本体之外的知识来丰富描述。OntoDoc 则通过引入多智能体协作，将知识图谱内部的结构化信息与外部开放网络中的百科知识相结合，从而生成更全面、更具语义深度的自然语言描述。

本体语言化（ontology verbalization）是自然语言生成的一个子任务，目标是将本体中的形式化公理（如类包含、属性约束、实例断言）转换为可读的自然语言文本。早期系统多采用基于模板的方法，例如将 SubClassOf(A, B) 直接映射为“A 是 B 的子类”。这类方法可控性强、输出确定，但严重依赖人工编写的模板库，难以覆盖本体中复杂或非常规的公理模式，也无法引入外部知识来补充语境。另一类基于规则的方法则通过语法规则组合短语，但同样受限于规则覆盖范围。这些局限促使研究者探索数据驱动或混合式方法，利用大规模语言模型和外部知识源来生成更灵活、更丰富的描述。

四阶段流水线：从探索到生成

OntoDoc 的工作流程分为四个阶段，每个阶段由一个专门的智能体负责：

1. 数据库上下文智能体

该智能体通过 SPARQL 自适应地探索知识图谱，收集与目标 IRI 语义相关的三元组。它不局限于预定义的查询模板，而是根据图谱结构动态调整查询策略，以获取尽可能丰富的上下文信息。

SPARQL 是 W3C 推荐的 RDF 查询语言，支持在知识图谱上执行模式匹配和路径查询。在 OntoDoc 中，数据库上下文智能体并非执行固定的查询模板，而是根据目标 IRI 的类型（类、属性或实例）动态构造 SPARQL 查询，例如检索该 IRI 的标签、注释、定义域/值域、上下位关系以及关联实例等。这种自适应探索策略能够在不预先知道图谱模式的情况下，尽可能全面地收集与目标 IRI 语义相关的三元组，为后续的假设生成提供结构化证据。

2. 网络上下文智能体

该智能体从维基百科和开放网络中检索百科背景知识，并对结果进行重排序，以补充知识图谱中可能缺失的常识或领域背景。

国际化资源标识符（IRI）是 RDF 中用于唯一标识资源的标准方式，可视为 URI 的扩展，支持 Unicode 字符。一个 IRI 通常包含命名空间和本地名，例如 http://example.org/ontology#Heart。在实际知识图谱中，许多 IRI 仅包含缩写或编码，缺乏人类可读的标签和注释。OntoDoc 的网络上下文智能体正是针对这一痛点，利用 IRI 的本地名或图谱中提取的标签作为查询词，从维基百科和开放网络中检索百科背景知识，并对检索结果进行重排序，以补充知识图谱中缺失的常识或领域背景，从而帮助生成更完整的自然语言描述。

3. 假设生成智能体

该智能体将上述两种上下文综合起来，合成一个结构化的、有证据支撑的中间假设列表。这些假设作为后续描述生成的依据，确保描述内容有据可查。

4. 描述生成智能体

该智能体基于 grounded 假设生成最终的自然语言描述。由于假设已经过证据校验，生成的描述在准确性和完整性上都有保障。

实验评估：跨领域验证与人工评分

研究者在三个知识图谱上评估了 OntoDoc，分别涵盖生物医学、农业和跨领域场景。评估采用了两种方式：基于大语言模型（LLM）的自动评分和 11 位标注者的人工评估。

结果显示，OntoDoc 在准确性上始终达到或超过朴素的 LLM 基线（naive LLM baseline）和基于模板的本体语言化器（template-based ontology verbalizer）。在完整性方面，OntoDoc 大幅领先于两个基线：在所有领域中，其完整性平均比朴素基线提升 12%；相对于本体语言化器，在 5 分制量表上完整性得分最多提升 2.8 分。

意义与展望

OntoDoc 的意义在于将本体描述生成从“规则驱动”推向“证据驱动”，通过多智能体协作整合内外部知识，显著提升了描述的完整性和上下文丰富度。对于知识图谱的构建者、维护者以及依赖本体进行下游应用（如问答系统、语义搜索）的开发者而言，这种自动化描述生成能力有望降低人工编写文档的成本，并促进本体的复用。

不过，该方法目前仍依赖于外部网络知识源的质量，且评估规模有限。未来如何保证生成描述的可靠性、处理多语言场景，以及将框架扩展到更复杂的本体结构，是值得关注的方向。