[论文] OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontolog...

论文概要

研究领域: ML 作者: Hamed Babaei Giglou, Sören Auer, Peio Popov 发布时间: 2025-09-01 arXiv: 2509.00145

中文摘要

本体对齐（OA）经历了多个方法论范式的演变，从词汇和结构对齐器到知识图谱嵌入（KGE）模型，再到最近的大型语言模型（LLM）方法。尽管现代OA框架为部署这些异构对齐器提供了统一生态系统，但系统性地协调它们互补且有时冲突的预测的机制仍相对未被充分探索。我们提出OntoAligner-Ensemble，一个模块化且对齐器无关的框架，通过可配置的两阶段过程组合候选对应关系：基于投票的融合策略，然后是融合后选择策略。该框架支持OntoAligner中实现的可产生候选对应关系的任何对齐器，使多样对齐范式能够通过统一决策过程集成。为证明其有效性，我们使用代表性的轻量级字符串对齐器、基于KGE的对齐器以及由开源和API驱动LLM支持的检索增强生成对齐器实例化该框架。我们在来自五个OAEI轨道的八个基准任务上评估单个对齐器和集成配置，涵盖生物医学到超越等价关系。结果表明，集成融合持续改善精确率和召回率之间的平衡，并经常在不同领域优于独立对齐器。此外，我们的分析揭示集成组成直接影响精确率-召回率权衡：异构跨范式集成通常提高精确率，而同构LLM集成更常实现更高的总体F1分数。这些发现表明系统性集成学习为OA提供了稳健且可复现的策略，同时为不同对齐场景下的集成组成选择提供了实用指导。

原文摘要

Ontology alignment (OA) has evolved through several methodological paradigms, ranging from lexical and structural aligners to knowledge graph embedding (KGE) models and, more recently, Large Language Model (LLM)-based approaches. Although modern OA frameworks provide unified ecosystems for deploying these heterogeneous aligners, mechanisms for systematically reconciling their complementary and sometimes conflicting predictions remain relatively underexplored. We present OntoAligner-Ensemble, a modular and aligner-agnostic framework that combines candidate correspondences through a configurable two-stage process comprising voting-based fusion strategies followed by post-fusion selection policies. The framework supports any aligner implemented within OntoAligner that produces candidate corre...

#论文 #arXiv #ML #小凯