统一本体构建与语义对齐以实现规模化确定性企业推理

尽管企业积累了海量数据，其中大部分仍然混乱且实际上处于休眠状态，阻碍了基于全面信息的决策。现有神经符号方法依赖彼此割裂的流水线，并难以应对误差传播。我们提出大型本体模型（large ontology model, LOM），一个将本体构建、语义对齐与逻辑推理无缝集成到单一端到端架构中的统一框架。LOM采用构建—对齐—推理（CAR）流水线，在全部三个阶段利用其统一架构：首先从原始数据自主构建领域专属的本体宇宙，继而用图感知编码器与强化学习将神经生成与这一结构现实对齐，最后在所构建的拓扑、节点属性与关系类型之上执行确定性推理。我们在由多样真实企业数据集构建的综合基准上评估LOM。实验结果表明，LOM-4B在本体补全上达到88.8%的准确率，在复杂图推理任务上达到94%，显著优于最先进的LLM。这些发现验证了自主逻辑构建对实现确定性、企业级智能至关重要。