arXiv cs.AI· Jonas Limniatis, Bennet Schaarmann, Georg Reuber, Robert Stahlbock·· 10 小时前AI 评分31
TIGA：用工具接地 LLM 智能体与运行时自适应策略实现受控知识工程的本体分类构建
Controlled Knowledge Engineering for Taxonomy Induction with Tool-Grounded LLM Agents and Runtime-Adaptive Policies
AI 导读
TIGA 将本体分类（taxonomy）构建形式化为基于显式状态与受限动作空间的迭代决策过程，结合可执行的分类编辑工具、记录工具调用与理由的交互记忆，以及智能体在推理中修订的运行时自适应组织策略。
正文 · AI 翻译
摘要：分类体系是结构化的知识表示，支持语义搜索、推荐、产品目录组织和检索增强生成。从一组固定的候选实体自动构建分类体系，需要的不仅仅是看似合理的文本生成：所得到的层级结构必须完整、结构有效且语义连贯。大型语言模型（LLM）在这项任务上很有前景，但迭代式自由形式生成仍然容易出现实体遗漏或幻觉、无效的层级关系以及不一致的组织原则。我们提出 TIGA（Taxonomy Induction with Tool-Grounded Agents，基于工具锚定智能体的分类体系归纳），这是一种知识工程架构，将分类体系归纳表述为在显式状态和受限动作空间上的迭代决策过程。TIGA 结合了可执行的分类体系编辑工具、记录工具调用、理由和结果的记忆，以及智能体在推理过程中修订的运行时自适应组织策略。可选的全局审查器根据候选集和当前生效策略评估所构建的分类体系。我们在四个基准分类体系上使用两个 LLM 骨干模型评估 TIGA，并将其与单次提示和迭代提示基线进行比较。在大多数评估配置中，TIGA 取得了最强的结构质量结果，但并未在每一项精确度指标上都占优。这些提升伴随着显著更高的 token 消耗、API 调用量和推理时间。消融结果表明，策略和交互记忆组件带来了一致的收益，而全局审查的效果取决于数据集和可用的修订预算。这些发现表明，工具锚定和运行时策略自适应是改进结构化知识表示受控构建的有前景但代价高昂的机制。
| 评论： | 提交至 Knowledge-Based Systems。代码：此 https URL |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13966 [cs.IR] |
| （或 arXiv:2611.13966v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13966 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jonas Limniatis [查看电子邮件]
[v1]
2026年11月10日星期二 12:04:54 UTC（3,676 KB）
来源：arXiv cs.AI · arxiv.org