Can Large Language Models Understand DL-Lite Ontologies? An Empirical Study

大型语言模型（LLMs）在解决各种任务方面取得了显著的成就。最近，LLMs存储、检索和推理符号知识的能力引起了广泛关注，展示了它们理解结构化信息的潜力。然而，目前尚不清楚LLMs是否能够理解描述逻辑（DL）本体论。在这项工作中，我们从语法和语义方面覆盖6个代表性任务，经验性地分析了LLMs理解DL-Lite本体论的能力。通过广泛的实验，我们展示了LLMs在理解DL-Lite本体论方面的有效性和局限性。我们发现LLMs可以理解概念和角色的形式语法和模型论语义。然而，LLMs在理解TBox NI传递性和处理具有大型ABox的本体论方面存在困难。我们希望我们的实验和分析能够提供更多关于LLMs的见解，并激发建立更忠实的知识工程解决方案的灵感。

分析大型语言模型（LLMs）是否能够理解DL-Lite本体，以及它们在语法和语义方面的能力和局限性。

通过实验，论文证明了LLMs能够理解DL-Lite本体的形式语法和模型论语义，但在处理具有大型ABox和TBox NI传递性的本体时存在困难。

论文使用了6个代表性任务进行实验，探究了LLMs在理解DL-Lite本体方面的能力和局限性。实验结果显示，LLMs在处理形式语法和模型论语义方面表现出色，但在处理具有大型ABox和TBox NI传递性的本体时表现较差。

近期的相关研究包括使用LLMs进行知识推理和符号推理的工作，如《Transformers as Soft Reasoners over Language》和《How Can We Know What Language Models Know?》。