APOLO：本体学习自动提示优化

随着大语言模型 (LLM) 的出现，文本本体学习 (OL) 取得了进步，但由于带注释的训练数据的可用性有限以及调整 LLM 来有效执行 OL 的困难，它仍然具有挑战性。我们通过 APOLO - 本体学习的自动提示优化来解决这个问题，将 OL 转换为 LLM 模块上的显式提示优化问题。为了获取训练数据，我们采用多Agent系统，从现有的专家策划的本体中生成文本本体对。然后，我们提出了两种本体学习器架构：贪婪学习器和自回归学习器，并使用 GEPA（基于 DSPy 的贪婪进化提示优化器）对两者进行优化。对两种本体（生物医学本体（DOID）和植物本体（PO））的实验表明，几乎所有模型和模式组合在优化后都有一致的改进，自回归学习器获得了最大的收益。我们的结果表明，即时优化是 OL 微调的可行且轻量级的替代方案，并且自回归公式比贪婪方法更好地捕获本体结构。