投票融合异构方法的本体对齐集成框架
原文：OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
本体对齐（OA）经历了多种方法范式的演进，从词汇和结构对齐器到知识图谱嵌入（KGE）模型，再到近期基于大语言模型（LLM）的方法。尽管现代OA框架为部署这些异构对齐器提供了统一生态，但系统性地协调它们互补且时有冲突的预测结果的机制仍相对缺乏探索。我们提出OntoAligner-Ensemble，一个模块化且与对齐器无关的框架，通过可配置的两阶段流程组合候选对应关系：先采用基于投票的融合策略，再执行融合后选择策略。该框架支持OntoAligner中任何能产生候选对应关系的对齐器，使多样化的对齐范式能够通过统一的决策流程进行集成。为展示其有效性，我们使用代表性的轻量级字符串对齐器、基于KGE的对齐器，以及由开源权重和API大模型驱动的检索增强生成对齐器实例化该框架。我们在来自五个OAEI赛道（涵盖生物医学至超越等价关系）的八个基准任务上评估单个对齐器和集成配置。结果显示，集成融合持续改善精确率与召回率之间的平衡，并经常在多个领域中超越单独的对齐器。此外，我们的分析表明集成组成直接影响精确率-召回率权衡：异构跨范式集成通常提升精确率，而同构LLM集成更常获得更高的整体F1分数。这些发现表明，系统集成学习为OA提供了一种稳健且可复现的策略，并为不同对齐场景下选择集成组合提供了实践指导。作者：Hamed Babaei Giglou, Sören Auer, Peio Popov, Mahsa Sanaei, Jennifer D'Souz