LLM在增强模式-本体映射中的自演示惊人有效性研究

将异构关系数据库集成到中心化本体中仍面临持续挑战，主要源于语义异构、晦涩的模式命名、元数据缺失以及关系模式与本体模型之间的抽象差距。尽管大语言模型（LLMs）具备强大的语义推理能力，但直接通过单次提示或简单多阶段流程进行模式-本体映射效果不佳。本文提出一种基于自演示的方法，结合神经符号任务分解与一种新型自动生成模式引导、依赖感知演示的机制，以应对这一集成挑战。该方法采用两项关键策略，显著提升现有基于LLM的模式集成方法的准确率：（i）将任务分解为级联子任务，其中符号约束构建搜索空间，LLM在每个聚焦子任务中完成语义推理；（ii）基于领域无关模式自生成演示以监督每个子任务。在RODI基准中三个最具挑战性的场景实验表明，本方法达到当前最优性能，相比传统模式到本体映射技术及近期基于LLM的模式到本体和模式匹配方法，F1指标提升达25个百分点。消融研究进一步验证了模式引导自演示的显著优势以及神经符号任务分解的互补作用。