OntoAligner-Ensemble：跨异构本体对齐技术的投票式融合

本体对齐 (OA) 已经经历了多种方法范式的发展，从词汇和结构对齐器到知识图嵌入 (KGE) 模型，以及最近的基于大语言模型 (LLM) 的方法。尽管现代 OA 框架为部署这些异构对准器提供了统一的生态系统，但系统地协调其互补且有时相互冲突的预测的机制仍然相对未得到充分探索。我们提出了 OntoAligner-Ensemble，这是一个模块化且与对齐器无关的框架，它通过可配置的两阶段过程组合候选对应关系，该过程包括基于投票的融合策略和融合后选择策略。该框架支持在 OntoAligner 中实现的任何对齐器，生成候选对应关系，从而能够通过统一的决策过程集成不同的对齐范例。为了证明其有效性，我们使用代表性的轻量级字符串对齐器、基于 KGE 的检索增强生成对齐器来实例化该框架，这些对齐器由开放权重和基于 API 的 LLM 提供支持。我们评估了来自五个 OAEI 轨道的八个基准任务中的单个对准器和整体配置，涵盖生物医学到超越等效。结果表明，集成融合持续改善了精度和召回率之间的平衡，并且在不同领域中经常优于独立的对齐器。此外，我们的分析表明，集成的组成直接影响精确率与召回率的权衡：异构跨范式集成通常会提高精度，而同质 LLM 集成通常会获得更高的总体 F1 分数。这些发现表明，系统集成学习为 OA 提供了稳健且可重复的策略，同时为在不同对齐场景下选择集成组合提供了实用指导。