LLMs4OM: Matching Ontologies with Large Language Models

本文讨论本体匹配（OM）在知识集成中的重要性。通过对异构本体进行对齐，可以促进数据互操作性和知识共享。传统的OM系统通常依赖于专家知识或预测模型，对大语言模型（LLMs）的潜力进行了有限的探索。作者提出了LLMs4OM框架，这是一种评估LLMs在OM任务中有效性的新方法。该框架利用两个模块进行检索和匹配，并跨三种本体表示（概念、概念-父级和概念-子级）增强了零-shot提示。通过使用来自各个领域的20个OM数据集的全面评估，作者证明了在LLMs4OM框架下，LLMs可以匹配甚至超过传统OM系统的性能，特别是在复杂匹配场景中。研究结果突出了LLMs在OM领域中的潜力。

研究如何使用大型语言模型（LLMs）来解决本体匹配（OM）问题，探索LLMs在OM任务中的潜力。

使用LLMs4OM框架，包括检索和匹配模块，通过零样本提示跨三种本体表示来提高OM任务的效果。

在20个不同领域的本体匹配数据集上进行了全面的评估，结果表明LLMs在复杂匹配场景中可以达到甚至超过传统OM系统的性能。该论文的实验设计详细，使用的数据集丰富，提供了开源代码。

与本文相关的研究包括传统OM系统和基于深度学习的OM方法，如DeepMatcher和TransOM。