OntoLearner: A Modular Python Library for Ontology Learning with Large Language Models

📄 arXiv: 2607.01977 📥 PDF

作者: Hamed Babaei Giglou, Jennifer D'Souza, Andrei Aioanei, Nandana Mihindukulasooriya, Sören Auer

分类: cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出OntoLearner以解决本体学习的系统性评估问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 本体学习 大型语言模型 知识图谱 模块化框架 标准化评估 跨领域研究 机器可读本体

📋 核心要点

  1. 现有本体学习方法缺乏统一的评估基础设施，导致研究进展缓慢且碎片化。
  2. OntoLearner框架整合了本体访问和基于LLM的学习流程，提供标准化的基准和数据集。
  3. 实验证明，OL的失败模式与本体复杂性相关，而非模型的能力，强调了结构匹配的重要性。

📝 摘要（中文）

本体学习（OL）旨在从文本中自动构建结构化知识模型，但在方法、领域和评估实践上进展仍然分散。尽管经过数十年的研究，OL缺乏共享基础设施以进行系统评估和本体访问，这一缺失阻碍了进展并使研究碎片化。本文介绍了OntoLearner，一个模块化、跨领域的框架，统一了本体访问、基于大型语言模型（LLM）的学习流程和标准化基准。OntoLearner发布了涵盖22个领域的180个机器可读本体，并提供了针对三个核心OL任务的准备好数据集。通过这一基础设施，我们进行了大规模的OL实证研究，评估了22个检索模型和12个LLM，结果表明OL的主要挑战是本体复杂性，而非模型规模或架构复杂性。

🔬 方法详解

问题定义：本体学习（OL）面临的主要问题是缺乏统一的评估标准和基础设施，导致研究成果难以比较和复用。现有方法在不同领域和任务中表现不一，缺乏系统性。

核心思路：OntoLearner通过提供一个模块化的框架，整合了本体访问、LLM驱动的学习流程和标准化的基准，旨在促进OL的系统性研究和评估。

技术框架：OntoLearner的整体架构包括三个主要模块：本体访问模块、学习管道模块和评估基准模块。每个模块都可以独立使用，支持跨领域的本体学习任务。

关键创新：OntoLearner的最大创新在于其模块化设计和跨领域支持，使得不同领域的研究者能够共享资源和评估标准，解决了以往方法的碎片化问题。

关键设计：在数据集方面，OntoLearner提供了180个机器可读本体和针对三个核心任务的训练/验证/测试数据集，确保了实验的系统性和可重复性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在大规模实证研究中，OntoLearner评估了22个检索模型和12个LLM，结果表明，OL的失败模式与本体复杂性相关，而非模型规模，强调了结构匹配的重要性。这一发现为本体学习的未来研究提供了新的视角。

🎯 应用场景

OntoLearner的潜在应用领域包括知识图谱构建、信息检索、自然语言处理等。通过提供统一的评估框架和丰富的数据集，该工具能够帮助研究人员和开发者更高效地进行本体学习，推动相关领域的研究和应用发展。

📄 摘要（原文）

Ontology learning (OL) aims to automatically construct structured knowledge models from text, yet progress remains fragmented across methods, domains, and evaluation practices. Despite decades of research, OL lacks a shared infrastructure for systematic evaluation and ontology access. This absence has hindered progress and fragmented research, leaving the central challenges of OL largely unaddressed. We introduce OntoLearner, a modular, cross-domain, and first-of-its-kind framework that unifies ontology access, large language model (LLM)-driven learning pipelines, and standardized benchmarking. OntoLearner releases 180 machine-readable ontologies spanning 22 domains and provides pipeline-ready datasets with train/dev/test splits for three core OL tasks: term typing, taxonomy discovery, and non-taxonomic relation extraction. Using this infrastructure, we conduct a large-scale empirical study of OL, evaluating 22 retrieval models and 12 LLMs across domains and tasks. The results converge on a finding that reframes the central challenge of OL: failure modes scale with ontological complexity rather than model size or architectural sophistication. The primary bottleneck is not model capability, but a structural mismatch between how models encode knowledge and how ontologies organize it. These findings establish that effective OL is reachable through the cross-domain, multi-task benchmarking enabled by OntoLearner. OntoLearner is open-source (MIT license) atthis https URL.