arXiv cs.AI· Huu Tan Mai, Roman Kochnev, Cuong Xuan Chu, Lukas Lange, Heiko Paulheim, Daria Stepanova·· 11 小时前AI 评分22
APOLO：面向本体学习的自动提示词优化方法
APOLO: Automatic Prompt Optimization for Ontology Learning
AI 导读
APOLO 将本体学习（OL）转化为对 LLM 模块的显式提示词优化问题，用多智能体系统从专家本体生成文本-本体对作为训练数据。作者提出贪心与自回归两种本体学习器架构，并用基于 DSPy 的贪心进化提示词优化器 GEPA 优化。在生物医学 DOID 与植物 PO 两个本体上，几乎所有模型与模式组合均有提升，自回归学习器增益最大，表明提示词优化可作为微调的轻量替代方案。
正文 · AI 翻译
摘要：随着大型语言模型（LLM）的出现，基于文本的本体学习（OL）取得了进展，但由于标注训练数据有限以及难以让 LLM 有效执行 OL，该任务仍具挑战性。我们通过 APOLO——面向本体学习的自动提示优化——来解决这一问题，将 OL 转化为对 LLM 模块的显式提示优化问题。为获取训练数据，我们采用多智能体系统从现有专家整理的本体中生成文本-本体对。随后我们提出两种本体学习器架构：贪心学习器和自回归学习器，并使用 GEPA（一种基于 DSPy 构建的贪心进化提示优化器）对两者进行优化。在两个本体——一个生物医学本体（DOID）和一个植物本体（PO）——上的实验表明，优化后在几乎所有模型和模式组合上均取得一致提升，其中自回归学习器增益最大。我们的结果表明，提示优化是本体学习中微调的一种可行且轻量的替代方案，且自回归形式比贪心方法能更好地捕捉本体结构。
| 评论： | 已被国际语义网会议（ISWC 2026）海报与演示分会接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.34540 [cs.AI] |
| （或使用 arXiv:2609.34540v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.34540 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Heiko Paulheim [查看邮箱]
[v1]
2026年9月28日星期一 08:05:12 UTC（1,475 KB）
[v2]
2026年10月20日星期二 07:08:17 UTC（1,415 KB）
来源：arXiv cs.AI · arxiv.org