論文の概要: OntoDoc: Automatically Generating Ontology Resource Descriptions

• arxiv url: http://arxiv.org/abs/2611.01276v1
• Date: Sat, 31 Oct 2026 21:23:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:42.15489
• Title: OntoDoc: Automatically Generating Ontology Resource Descriptions
• Title（参考訳）: OntoDoc: オントロジーリソース記述の自動生成
• Abstract要約: IRIのための自然言語記述を自動的に生成するマルチエージェントフレームワークOntoDocを提案する。 OntoDocは、(1)SPARQLを介して知識グラフを適応的に探索し、ターゲットIRIに関するセマンティックな3つの情報を集めるデータベースコンテキストエージェント、(2)ウィキペディアとオープンウェブから百科事典的な背景知識を検索するWebコンテキストエージェント、(3)両方のコンテキストを構造化されたエビデンスベースの中間仮定のリストに合成するアセプション生成エージェントである。 バイオメディカル,農業,コンテキスト,クロスの3つの知識グラフを用いたOntoDocの評価
• 参考スコア（独自算出の注目度）: 3.9812884630937497
• License:
• Abstract: Knowledge graphs and ontologies form the backbone of structured, machine-readable knowledge representation, yet ontology terms often lack natural language descriptions, limiting their accessibility and reuse. Existing ontology verbalization approaches tend to rely on rule-based or template-driven techniques that operate on strict, formal schema axioms, resulting in rigid verbalizations that fail to convey richer contextual semantics. We present OntoDoc, a multi-agent framework for automatically generating natural language descriptions for any Internationalized Resource Identifier (IRI) within a SPARQL endpoint or RDF file. OntoDoc operates through a four-stage pipeline: (1) a Database Context agent that adaptively explores the knowledge graph via SPARQL to collect semantically informative triples about the target IRI; (2) a Web Context agent that retrieves and re-ranks encyclopedic background knowledge from Wikipedia and the open web; (3) an Assumption Generation agent that synthesizes both contexts into a structured, evidence-grounded list of intermediate assumptions; and (4) a Description Generation agent that produces the final natural language description from the grounded assumptions. We evaluate OntoDoc on three knowledge graphs spanning biomedical, agricultural, and cross-domain settings, using both automatic scoring via Large Language Models (LLMs) and human evaluation with 11 annotators. OntoDoc consistently matches or exceeds a naive LLM baseline and a template-based ontology verbalizer in accuracy. Furthermore, it vastly outperforms both baselines in the completeness of the generated descriptions, delivering an average 12% improvement in completeness over the naive baseline across all domains, and improving completeness scores by as much as 2.8 points on a 5-point scale relative to the ontology verbalizer.
• Abstract（参考訳）: 知識グラフとオントロジーは構造化された機械可読な知識表現のバックボーンを形成するが、オントロジー用語はしばしば自然言語の記述を欠き、アクセシビリティと再利用を制限している。 既存のオントロジーの動詞化アプローチは、厳密で形式的なスキーマの公理を運用するルールベースまたはテンプレート駆動の手法に依存する傾向があり、結果としてよりリッチな文脈意味論を伝達できない形式的な動詞化が生じる。 我々は,SPARQLエンドポイントやRDFファイル内の任意の国際化リソース識別子(IRI)に対して,自然言語記述を自動的に生成するマルチエージェントフレームワークOntoDocを提案する。 OntoDocは、(1)SPARQLを介して知識グラフを適応的に探索し、ターゲットIRIに関する意味的な情報的三つ組を収集するデータベースコンテキストエージェント、(2)ウィキペディアとオープンウェブから百科事典の背景知識を検索して再ランクするWebコンテキストエージェント、(3)中間仮定の構造化された根拠に基づくリストに両方のコンテキストを合成する推測生成エージェント、(4)基礎付けられた仮定から最終自然言語記述を生成する記述生成エージェントの4段階のパイプラインを介して動作する。 バイオメディカル,農業,クロスドメイン設定にまたがる3つの知識グラフ上で,大規模言語モデル(LLM)による自動スコアリングと,11のアノテーションを用いた人的評価を用いてOntoDocを評価する。 OntoDocは、直感的なLCMベースラインとテンプレートベースのオントロジー言語を精度良く一致または超える。 さらに、生成された記述の完全性において両基準線をはるかに上回り、すべての領域にわたって平均12%の完全性の向上をもたらし、オントロジーの動詞に対する5点尺度で最大2.8ポイントの完全性スコアを向上させる。

関連論文リスト

• Trustworthy Domain-Specific AI for Structured Knowledge Retrieval and Reasoning [0.0]
  論文は、構造化されていないドメイン固有のテキストを、検索と推論のための構造化された知識に変換するためのスケーラブルなアーキテクチャを提示します。 半自動コーパスキュレーション、セマンティック構造化、検索、推論を解釈可能なパイプラインに統合する。
  論文  参考訳（メタデータ） (2026-10-06T16:35:41Z)
• GrOIL: Graph-Grounded Domain Ontology Induction with Constrained LLM Mediation [1.029029220360574]
  ドメイン文書を制約のない生成ステップなしで完全なWeb Ontology Language (OWL) Terminological Box (TBox)に変換する7段階のグラフ基底パイプラインを提案する。 オントロジー成長分析は、大規模な語彙飽和と一致する証拠を提供し、パイプラインが大きなドキュメントコーパスから安定で再利用可能なドメイン表現を生成することを示す。
  論文  参考訳（メタデータ） (2026-08-22T23:15:47Z)
• Schema-Guided Hierarchical Information Extraction and Semantic Evaluation Using Generative AI [0.0]
  構造化されていない文書から複雑な構造化情報を抽出するフレームワークを提案する。 生成AIを用いて属性の抽出値と金の標準値を比較する。 医療技術評価機関(NICE)が発行した文書から、F1スコアを90%以上で14の属性のうち12の属性を抽出できる。
  論文  参考訳（メタデータ） (2026-08-06T15:33:30Z)
• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• Grokers: Bottom-Up Inductive Comprehension and Write-Time Intelligence over Typed Knowledge Graphs [0.0]
  Grokersは、型付き知識グラフの永続的で構造化された理解を構築するためのアーキテクチャである。 自律的なGrokerエージェントは、型付きストリームグラフのノードを分析し、制御された言語モデル呼び出しを通じて構造化属性を抽出する。
  論文  参考訳（メタデータ） (2026-05-07T17:28:36Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。