Отримано 29.04.2025, Доопрацьовано 18.07.2025, Прийнято 28.08.2025

Prompt-керований LLM-агент для комплексного вивчення онтологій

Ярослав Теплий, Дмитро Досин

Перетворення знань великих мовних моделей (LLM) на логічні, машинно-інтерпретовані онтології є складним завданням. Звичайні стратегії з простими запитами часто породжують неоднозначні або взаємно несумісні триплети, які не можна безпечно об’єднати з інснуючими базами знань. У цій роботі розроблено й емпірично перевірено повністю автоматизований робочий процес, що перетворює текст на RDF/OWL-твердження, узгоджені зі схемою, без участі людини. Створений агент об’єднує чотири етапи – виявлення схеми, виявлення екземплярів, самовалідацію з виправленнями та узгодження онтології – кожен реалізовано як структурований запит до LLM. Валідатор перевіряє кожне твердження на дотримання обмежень; будь-яке порушення запускає ітеративний цикл аналіз помилок / виправлення схеми / виправлення екземплярів до досягнення узгодженості. Робочий процес було протестовано з трьома родинами LLM – GPT-4.1-mini, LLaMA-3.3-70b та Grok-3-mini, які представляють висококласні пропрієтарні, відкриті та бюджетні компактні моделі. Якість оцінювалася на синтетичному бенчмарку MINE та на двох реальних наборах текстів: десяти англомовних виданнях CEUR-WS і десяти українських випусках журналу «Вісник Національного університету “Львівська політехніка” “Інформаційні системи та мережі”». На MINE агент із використанням LLaMA-3.3-70b досяг 67,5 % точності, перевершивши KGGen (66,07 %) і водночас забезпечивши узгодженість схеми; GPT-4.1-mini та Grok-3-mini набрали 59,8 % і 52,4 % відповідно. Під час обробки текстів двома мовами усі моделі відтворили відношення автор – публікація – журнал, запропонували до 39 нових класів і 29 нових відношень, а також створили понад 800 індивідів у кожному наборі з лише незначними неузгодженостями. Вилучена схема залишалися англійською навіть для українських ввідних даних. Хоча GPT-4.1-mini та LLaMA-3.3-70b генерували ширші та коректні схеми, проте більшість концептів залишилися без індивідів, а Grok-3-mini запропонувала компактну та повністю заповнену схему з індивідами. Практичним результатом є робочий процес, який можна застосовувати до цифрових бібліотек або галузевих порталів, для автоматизованого розширення наявні графи знань із мінімальними людськими витратами, що знижує вартість для підтримки та збагачення існуючих онтологій

великі мовні моделі; розширення графів знань; автоматизоване виявлення RDF/OWL; виявлення та узгодження схем; генерування онтологій
35-46
Teplyi, Ya., & Dosyn, D. (2025). Prompt-guided LLM agent for end-to-end ontology learning. Information Technologies and Computer Engineering, 22(2), 35-46. https://doi.org/10.31649/vitce/2.2025.35

Використані джерела

[1] Al-Aswadi, F.N., Chan, H.Y., & Gan, K.H. (2020). Automatic ontology construction from text: A review from shallow to deep learning trend. Artificial Intelligence Review, 53, 3901-3928. doi: 10.1007/s10462-019-09782-9.

[2] Babaei Giglou, H., D’Souza, J., & Auer, S. (2023). LLMs4OL: Large language models for ontology learning. In T.R. Payne, V. Presutti, G. Qi, M. Poveda-Villalón, G. Stoilos, L. Hollink, Z. Kaoudi, G. Cheng & J. Li (Eds.), The Semantic Web – ISWC 2023 (pp. 408-427). Cham: Springer. doi: 10.1007/978-3-031-47240-4_22.

[3] Bakker, R.M., Di Scala, D.L., & de Boer, M.H. (2024). Ontology learning from text: An analysis on LLM performance. In Proceedings of the 3rd NLP4KGC international workshop on natural language processing for knowledge graph creation in conjunction with SEMANTiCS 2024 conference (paper 5). Amsterdam: CEUR-WS.

[4] Belhoucine, K., & Mourchid, M. (2018). A survey of ontology learning from text. In Proceedings of the twelfth international conference on advances in semantic processing (SEMAPRO 2018) (pp. 14-21). Athens: IARIA.

[5] Browarnik, O., & Maimon, O. (2015). Ontology learning from text: Why the ontology learning layer cake is not viable. International Journal of Signs and Semiotic Systems, 4. doi: 10.4018/IJSSS.2015070101.

[6] Caufield, J.H., Hegde, H., Emonet, V., Harris, N.L., Joachimiak, M.P., Matentzoglu, N., Kim, H., Moxon, S., Reese, J.T., & Haendel, M.A. (2024). Structured prompt interrogation and recursive extraction of semantics (SPIRES): A method for populating knowledge bases using zero-shot learning. Bioinformatics, 40, article number btae104. doi: 10.1093/ bioinformatics/btae104.

[7] Chen, B., Yi, F., & Varró, D. (2023). Prompting or fine-tuning? A comparative study of large language models for taxonomy construction. In 2023 ACM/IEEE international conference on model driven engineering languages and systems companion (MODELS-C) (pp. 588-596). Västerås: IEEE. doi: 10.1109/MODELS-C59198.2023.00097.

[8] Chen, K., Lin, K., & Klein, D. (2021). Constructing taxonomies from pretrained language models. In Proceedings of the 2021 conference of the North American chapter of the Association for Computational Linguistics: Human language technologies (pp. 4687-4700). Stroudsburg: ACL. doi: 10.18653/v1/2021.naacl-main.373.

[9] Dong, Z., Wang, M., Dai, L., Li, J., Liu, X., & Nong, R. (2025). Cross-document contextual coreference resolution in knowledge graphs. ArXiv. doi: 10.48550/arXiv.2504.05767.

[10] Funk, M., Hosemann, S., Jung, J.C., & Lutz, C. (2023). Towards ontology construction with language models. In Proceedings of the KBC-LM’23: Knowledge base construction from pre-trained language models workshop at ISWC 2023 (paper 16). Amsterdam: CEUR-WS.

[11] He, Y., Chen, J., Antonyrajah, D., & Horrocks, I. (2022). BERTMap: A BERT-Based ontology alignment system. Proceedings of the AAAI Conference on Artificial Intelligence, 36(5), 5684-5691. doi: 10.1609/aaai.v36i5.20510.

[12] Jain, L., & Espinosa Anke, L. (2022). Distilling hypernymy relations from language models: On the effectiveness of zero-shot taxonomy induction. In Proceedings of the 11th joint conference on lexical and computational semantics (pp. 151-156). Seattle: ACL. doi: 10.18653/v1/2022.starsem-1.13.

[13] Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P.S. (2021). A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 33, 494-514. doi: 10.1109/ TNNLS.2021.3070843.

[14] Karamanolakis, G., Ma, J., & Dong, X.L. (2020). Txtract: Taxonomy-aware knowledge extraction for thousands of product categories. In Proceedings of the 58th annual meeting of the Association for Computational Linguistics (pp. 8489-8502). Stroudsburg: ACL. doi: 10.18653/v1/2020.acl-main.751.

[15] Lo, A., Jiang, A.Q., Li, W., & Jamnik, M. (2025). End-to-end ontology learning with large language models. In Proceedings of the 38th international conference on neural information processing systems (NIPS ’24) (article number 2767). New York: Red Hook. doi: 10.5555/3737916.3740683.

[16] Mihindukulasooriya, N., Tiwari, S., Enguix, C.F., & Lata, K. (2023). Text2KGBench: A benchmark for ontology-driven knowledge graph generation from text. In T.R. Payne, V. Presutti, G. Qi, M. Poveda-Villalón, G. Stoilos, L. Hollink, Z. Kaoudi, G. Cheng & J. Li. (Eds.), The Semantic Web – ISWC 2023 (pp. 247-265). Cham: Springer. doi: 10.1007/978-3031-47243-5_14.

[17] Mo, B., Yu, K., Kazdan, J., Mpala, P., Yu, L., Cundy, C., Kanatsoulis, C., & Koyejo, S. (2025). KGGen: Extracting knowledge graphs from plain text with language models. ArXiv. doi: 10.48550/arXiv.2502.09956.

[18] Monarch Initiative. (n.d.). OntoGPT: A prompt-based ontology extraction tool. Retrieved from https://monarchinitiative.github.io/ontogpt.

[19] Shang, C., Dash, S., Chowdhury, M.F.M., Mihindukulasooriya, N., & Gliozzo, A. (2020). Taxonomy construction of unseen domains via graph-based cross-domain knowledge transfer. In Proceedings of the 58th annual meeting of the Association for Computational Linguistics (pp. 2198-2208). Stroudsburg: ACL. doi: 10.18653/v1/2020.aclmain.199.

[20] Sokol, O. (2025). Optimising productivity and automating software development: Innovative memory system approaches in large language models. Technologies and Engineering, 26(1), 36-44. doi: 10.30857/2786-5371.2025.1.3.

[21] Wqtróbski, J. (2020). Ontology learning methods from text – an extensive knowledge-based approach. Procedia Computer Science, 176, 3356-3368. doi: 10.1016/j.procs.2020.09.061.

[22] Wong, W., Liu, W., & Bennamoun, M. (2012). Ontology learning from text: A look back and into the future. ACM Computing Surveys, 44(4), 1-36. doi: 10.1145/2333112.2333115.

[23] Yuan, S., He, J., Wang, M., Zhou, H., & Ren, Y. (2022). A review for ontology construction from unstructured texts by using deep learning. In Proceedings of the international conference on internet of things and machine learning (IoTML 2021) (article number 121741D). Shanghai: SPIE. doi: 10.1117/12.2628713.

[24] Zeng, Q., Bai, Y., Tan, Z., Feng, S., Liang, Z., Zhang, Z., & Jiang, M. (2024). Chain-of-layer: Iteratively prompting large language models for taxonomy induction from limited examples. In Proceedings of the 33rd ACM international conference on information and knowledge management (pp. 3093-3102). Arlington: ACM. doi: 10.1145/3627673.3679608.

[25] Zhong, L., Wu, J., Li, Q., Peng, H., & Wu, X. (2023). A comprehensive survey on automatic knowledge graph construction. ACM Computing Surveys, 56, article number 94. doi: 10.1145/3618295.