論文の概要: Specific Domain Ontology Construction Using Large Language Models

• arxiv url: http://arxiv.org/abs/2606.20691v1
• Date: Sun, 14 Jun 2026 23:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 16:07:43.969787
• Title: Specific Domain Ontology Construction Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた特定ドメインオントロジーの構築
• Abstract要約: オントロジは、人間とシステムの両方で理解できる情報を整理し、維持するのに有用な構造である。 LLM(Large Models Language)で実証された自然言語を理解する能力は、様々な分野に応用する動機となっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Ontologies are useful structures to organize and maintain information that can be understood both by humans and systems. However, since their manual crafting is a laborious task, many specific domains lack reference ontologies. The outstanding ability for understanding natural language demonstrated by the Large Language Models (LLMs) has motivated their application to aid on a variety of fields, including on ontology development. This work presents the experimentation with a technique that uses LLMs in the role of domain experts to build conceptual hierarchies for a given initial concept. Twenty ontologies automatically constructed for the domain of the Brazilian maritime territory (a.k.a the Blue Amazon) using GPT-3.5 and GPT-4 were then evaluated by human experts. The models were able to construct overall coherent conceptualizations of the domain, but none of the outputs was completely satisfactory as a representation of the context without refinement.
• Abstract（参考訳）: オントロジは、人間とシステムの両方で理解できる情報を整理し、維持するのに有用な構造である。 しかし、手作業は手間のかかる作業であるため、多くの特定のドメインは参照オントロジーを欠いている。 LLM(Large Language Models)によって実証された自然言語を理解する能力は、オントロジー開発を含む様々な分野への応用を動機づけている。 本研究は、LLMをドメインエキスパートの役割に用い、与えられた初期概念のための概念階層を構築する技術を用いて実験を行う。 GPT-3.5とGPT-4を使用したブラジルの海上領土(ブルー・アマゾン)の領域に自動的に20のオントロジーが構築され、人間の専門家によって評価された。 モデルはドメインの全体的なコヒーレントな概念化を構築することができたが、どの出力も洗練されていない文脈の表現として完全に満足できるものではなかった。

関連論文リスト

• Knowledge Protocol Engineering: A New Paradigm for AI in Domain-Specific Knowledge Work [0.456877715768796]
  知識プロトコルエンジニアリング(KPE)は、人間の専門家の知識を機械で実行可能な知識プロトコルに体系的に翻訳することに焦点を当てた新しいパラダイムである。 我々は、よく設計された知識プロトコルにより、ジェネラリストのLLMがスペシャリストとして機能し、抽象的なクエリを分解し、複雑なマルチステップタスクを実行することができると論じる。
  論文  参考訳（メタデータ） (2025-07-03T16:21:14Z)
• Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation [1.099532646524593]
  大規模言語モデル(LLM)は、オントロジー工学に大きな可能性を示している。 本稿では,2つの最先端LCM,DeepSeek と o1-preview の一般化可能性について,一連の有能な質問から考察する。 その結果,全ての領域で実験性能が著しく整合していることが判明した。
  論文  参考訳（メタデータ） (2025-04-24T09:47:14Z)
• Prompting Encoder Models for Zero-Shot Classification: A Cross-Domain Study in Italian [75.94354349994576]
  本稿では,より小型のドメイン固有エンコーダ LM と,特殊なコンテキストにおける性能向上手法の併用の可能性について検討する。 本研究は, イタリアの官僚的・法的言語に焦点をあて, 汎用モデルと事前学習型エンコーダのみのモデルの両方を実験する。 その結果, 事前学習したモデルでは, 一般知識の頑健性が低下する可能性があるが, ドメイン固有のタスクに対して, ゼロショット設定においても, より優れた適応性を示すことがわかった。
  論文  参考訳（メタデータ） (2024-07-30T08:50:16Z)
• Large language models as oracles for instantiating ontologies with domain-specific knowledge [0.0]
  ドメイン固有の知識を自動的にインスタンス化するドメインに依存しない手法を提案する。 提案手法は,複数回クエリを行い,その応答からクラスとプロパティのインスタンスを生成する。 実験により,本手法は最先端技術よりも最大5倍高い精度を実現した。
  論文  参考訳（メタデータ） (2024-04-05T14:04:07Z)
• Domain Prompt Learning with Quaternion Networks [49.45309818782329]
  本稿では、ドメイン固有の基礎モデルからドメイン固有の知識を活用して、ビジョン言語モデルの堅牢な認識能力を特定ドメインに転送することを提案する。 本稿では、階層型言語プロンプト特徴とドメイン固有の視覚特徴との間のモーダル関係を解析することにより、視覚プロンプト特徴を生成する階層型アプローチを提案する。 提案手法は,即時学習のための新しい最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-12-12T08:49:39Z)
• Knowledge Plugins: Enhancing Large Language Models for Domain-Specific Recommendations [50.81844184210381]
  本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。 このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
  論文  参考訳（メタデータ） (2023-11-16T07:09:38Z)
• DOLCE: A Descriptive Ontology for Linguistic and Cognitive Engineering [0.7255908480712145]
  DOLCEは、ビータタイズされた最初のトップレベル(基礎)オントロジーである。 それは、社会技術システム、製造業、金融取引、文化遺産など多様な分野において、日常生活で人間が悪用しているような、現実の共通の見方をモデル化することを目的としている。
  論文  参考訳（メタデータ） (2023-08-03T08:03:19Z)
• Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。 広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。 しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
  論文  参考訳（メタデータ） (2023-05-30T03:00:30Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• DomBERT: Domain-oriented Language Model for Aspect-based Sentiment Analysis [71.40586258509394]
  本研究では、ドメイン内コーパスと関連するドメインコーパスの両方から学習するためのBERTの拡張であるDomBERTを提案する。 アスペクトベース感情分析における課題の整理実験を行い、有望な結果を示す。
  論文  参考訳（メタデータ） (2020-04-28T21:07:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。