Using Large Language Models for OntoClean-based Ontology Refinement

Using Large Language Models for OntoClean-based Ontology Refinement

下記の文章は論文のアブストラクトをChatGPTに解釈させたものであり、正確性は保証しません。

1. 本研究は、先行研究に比べてより具体的なクラスの特性や関係性を考慮しながらオントロジーのラベリングを行う手法を提案しています。先行研究では、オントロジーの改良に大規模言語モデル（特にBERTとその派生）を使用する方法が提案されており、オントロジーの完成度を向上させることができました。これに対し、本研究ではオントロジーのラベリングに焦点を当てており、ラベリングの正確性を評価することで、オントロジーの品質を向上させる手法を提案しています。

2. 本研究の目的は、オントロジーのラベリングにおける正確性を評価することです。具体的には、オントロジーのメタプロパティごとに正確性スコアを計算し、それぞれのメタプロパティの品質を評価します。また、異なるメタプロパティ間での強弱の比較を行い、その洞察を利用してアプローチを調整します。これにより、オントロジーのラベリングにおける正確性の向上を目指します。

3. 本研究で使用されたデータは、「Mini Pizza Ontology」と「Upper Ontology」という2つのベンチマークデータです。「Mini Pizza Ontology」はピザとその成分のドメインに焦点を当てた簡略化されたオントロジーであり、機能的なモデルとして使用されます。「Upper Ontology」はトップレベルオントロジーであり、様々なドメイン固有のオントロジーをサポートするための高レベルなフレームワークです。これらのデータは、オントロジーのラベリングの評価に使用されました。

4. 本研究で使用された手法は、オントロジーのラベリングにおける2つのプロンプト戦略です。「Bare」と呼ばれるプロンプトは、オントロジーの未ラベル化されたクラスとクラス階層を入力とし、文脈に基づいてラベルを割り当てます。「In-context learning」と呼ばれるプロンプトでは、OntoCleanメタプロパティの定義を思い出させるためにLLMを使用します。これらのプロンプト戦略を使用することで、オントロジーのラベリングの正確性を向上させることができます。

5. 本研究により明らかになったことは、オントロジーのラベリングにおける正確性の評価と改善の手法です。具体的には、オントロジーのメタプロパティごとに正確性スコアを計算し、それぞれのメタプロパティの品質を評価しました。また、異なるメタプロパティ間での強弱の比較を行い、その洞察を利用してアプローチを調整しました。これにより、オントロジーのラベリングの正確性を向上させる手法を提案しました。