这篇题为《A Survey on LLM-as-a-Judge》的论文对大语言模型（LLM）作为一种评估者（Judge）的新兴范式进行了全面的综述。文章的核心目标是解决一个关键问题：如何构建可靠的LLM-as-a-Judge系统？ 论文不仅提供了该领域的正式定义和系统分类，还深入探讨了提升可靠性的策略、评估方法、实际应用、当前挑战以及未来方向。 以下是各章节的详细内容总结： 第1章：引言 本章阐述了研究的背景与动机。传统评估方法存在两难困境：专家评估全面但成本高、难以规模化；自动指标（如BLEU）可扩展但无法捕捉深层语义。LLM的出现提供了一种融合两者优势的新途径——“LLM-as-a-Judge”，即利用LLM进行复杂任务的评估。然而，其广泛应用面临两大挑战：缺乏系统性综述，以及对可靠性的担忧。本章明确了全文的核心问题：“如何构建可靠的LLM-as-a-Judge系统？”，并概述了后续章节的结构。 第2章：背景与方法 本章为LLM-as-a-Judge建立了理论基础和实施框架。 * 正式定义：给出了基本形式化定义 ℰ ← P_LLM(x ⊕ C)，其中ℰ是评估结果，P_LLM是LLM的概率函数，x是待评估输入，C是上下文（如提示）。为了强调可靠性，进一步提出了增强定义 ℛ ← f_R(P_LLM, x, C)，其中f_R代表一系列确保一致性和稳健性的约束与验证方法。 * 方法分类：将实施流程分解为四个核心组成部分：上下文学习：如何设计提示让LLM执行评估任务，包括生成分数、解答是非题、进行成对比较和多项选择四种主要方式。 模型选择：讨论使用通用LLM（如GPT-4）与微调专用评估模型的利弊。 后处理方法：介绍如何从LLM输出中提取评估结果，包括提取特定令牌、归一化输出逻辑值以及选择句子。 评估流程：概述了四大典型应用场景：评估其他模型、评估数据、评估智能体以及辅助推理/思维过程。 * 快速实践指南：提供了一个包含思考、提示设计、模型选择和标准化输出的四步迭代流程，帮助研究者快速上手。 第3章：改进策略 本章聚焦于如何提升LLM-as-a-Judge的性能和可靠性，对应增强定义中的f_R部分，策略分为三类： 1. 提示设计策略：提升任务理解：通过少样本示例、分解评估步骤与标准、随机交换被评估内容顺序（以缓解位置偏差）、将评分任务转化为成对比较等方法来优化提示。 标准化输出格式：要求LLM以结构化格式（如JSON、“X: Y”）输出结果，并附带解释，以增强结果的稳健性和可解释性。 2. 能力增强策略：专项微调：通过构建专门的元评估数据集（采用评估模板或深度转换方法）来微调LLM，使其更擅长评估任务并减少偏见。 反馈驱动的迭代优化：利用来自更强模型或人类的反馈，持续迭代更新评估模型，以改善其泛化能力和对齐效果。 3. 最终输出优化策略：整合多源评估结果：通过集成多轮评估或多个不同LLM评估者的结果（如投票、级联选择、基于群体的比较），来降低随机性和单一模型的偏差。 直接输出优化：对单个LLM的输出进行后处理，例如使用分数平滑技术结合显式分数和隐式逻辑值，或通过自我验证来过滤低置信度的结果。 第4章：LLM-as-a-Judge的评估 本章探讨如何评估LLM-as-a-Judge系统本身的可靠性，对应于检查f_R的有效性。评估围绕三个核心维度展开： 1. 与人类判断的一致性：使用准确性、F1分数、科恩卡帕系数、斯皮尔曼相关系数等指标，衡量LLM评估结果与人类黄金标准之间的吻合程度。 2. 偏差分析：任务无关偏差：如多样性偏差、文化偏差、自我增强偏差（偏好自己生成的答案）。 判断特定偏差：如位置偏差、同情心淡化偏差、风格偏差、长度偏差、具体性偏差。 3. 对抗鲁棒性：测试系统在面对对抗性攻击时的稳定性，例如对抗性短语攻击、空模型攻击、多数意见攻击等。 本章还介绍了为此目的设计的新颖基准测试，并通过实验揭示了不同评估方法在稳健性与敏感性之间的权衡。 第5章：应用 本章详细列举了LLM-as-a-Judge在各个领域的具体应用： * 机器学习领域：用于评估和比较不同LLM的性能、进行数据标注与过滤、作为强化学习中的奖励模型，以及优化训练数据。 * 其他特定领域：包括教育（作业评分）、医疗（诊断辅助）、法律（文件审查）、创意写作、学术同行评审、软件工程（代码审查）以及具身智能等高风险或专业领域。 第6章：挑战 本章系统性地指出了当前LLM-as-a-Judge范式面临的主要挑战： 1. 可靠性：如何确保评估在不同输入、模型和上下文下保持一致和准确。 2. 鲁棒性：对提示措辞、输入扰动和对抗性攻击的敏感性问题。 3. 骨干模型的局限性：底层LLM的能力天花板直接影响评估质量。 4. 判断的可解释性与透明度：“黑箱”决策过程难以理解和信任。 5. 元评估与时间一致性：如何持续评估评估系统本身，以及其标准是否随时间变化。 6. 伦理与社会影响：包括公平性、问责制、就业替代和责任归属等问题。 第7章：未来工作 本章展望了该领域有前景的研究方向，旨在构建更可靠、可信的系统： 1. 以推理为中心的判断：深化LLM在评估中的推理链条。 2. 理论 grounded 的评估：建立更坚实的评估理论基础。 3. 更可靠的LLM-as-a-Judge：继续探索新的架构和方法。 4. 多模态LLM-as-a-Judge：扩展至图像、视频等多模态输入评估。 5. 推进评估基准：开发更全面、更具挑战性的基准测试。 6. 用于数据标注的LLM-as-a-Judge：规模化生成高质量训练数据。 7. 用于规模化的LLM-as-a-Judge：支持大规模模型和应用的评估。 8. 用于具身智能的LLM-as-a-Judge：评估物理世界中的智能体行为。 9. 用于LLM优化的LLM-as-a-Judge：形成自我改进的闭环。 10. 领域特定的可靠应用：在医疗、法律等高危领域深化应用。 第8章：结论 文章总结指出，LLM-as-a-Judge是一个快速演进且极具潜力的范式，有望重塑复杂任务的评估方式。然而，可靠性是其广泛采纳的关键障碍。本综述通过提供清晰的定义、统一的框架、实用的策略和一个专注于可靠性的新基准，为该领域奠定了坚实的基础。未来的工作需要跨学科合作，共同应对技术、伦理和社会层面的挑战，以实现其构建可信赖人工智能评估系统的承诺。

这篇文章主要探讨了Web本体语言（OWL）与关系数据库在模式处理上的差异，特别是关于完整性约束的问题。作者指出，OWL采用开放世界语义和标准的一阶逻辑语义，导致其公理无法像关系数据库中的约束那样用于检查数据的完整性，这常常引起混淆并带来性能问题。为了解决这个问题，作者提出了一种扩展的描述逻辑知识库框架，引入了类似数据库的完整性约束，并证明了在满足约束的情况下，可以显著简化查询回答过程。 以下是论文各章节的详细内容介绍： 1. 介绍 本章首先指出了OWL与关系数据库在模式语义上的根本差异。在关系数据库中，模式语句通常被解释为完整性约束，用于验证数据是否符合结构要求（如果不符则拒绝更新）。而在OWL中，类似的公理（如领域和范围约束）被解释为推理规则，用于推断新知识（例如，若一个人没有明确的社会安全号，OWL会推断其拥有一个未知的号码，而不是报错）。 作者指出，这种语义差异导致OWL无法形式化数据库式的完整性约束，既无法检查数据输入的正确性，又导致了推理过程中的性能开销。虽然已有基于自认知逻辑的研究，但它们通常不适用于模式推理。因此，本文旨在提出一种扩展方案，既能模拟数据库完整性约束的行为，又能保留OWL对层次领域建模的能力。 2. OWL与关系数据库 本章详细比较了OWL和关系数据库在多个层面上的异同： * 2.1 模式语言： 指出DL TBox和关系数据库模式在形式上相似，许多依赖关系都可以表示为一阶逻辑公式。 * 2.2 模式的解释： 两者都使用一阶语义区分合法与非法结构。区别在于数据库通常要求有限模型，而OWL允许无限模型。 * 2.3 域与类型： 讨论了数据库中的物理布局类型与DL中具体域的区别，本文简化了这两者以进行纯逻辑分析。 * 2.4 模式推理： 无论是DL中的概念包含检测还是数据库中的查询包含检测，本质上都是检查公式在所有模型中是否成立（即蕴含问题）。 * 2.5 查询回答： 这是关键差异点。数据库查询基于模型检测，只考虑当前给定的实例；而OWL查询基于逻辑蕴含，需考虑所有满足知识库的模型。这使得OWL类似于不完整数据库。 * 2.6 完整性约束的满足性检查： 数据库通过检查数据是否违反约束来确保完整性；而OWL的一致性检查只能检测矛盾，无法检测“信息缺失”，因此无法实现数据库式的完整性检查。 * 2.7 讨论： 总结了开放世界语义对模式推理的重要性，以及在实际数据应用中处理完整性约束的需求。作者主张需要一种机制来控制本体中的“不完整性”。 3. OWL的完整性约束 本章提出了扩展DL知识库的形式化定义，以解决上述问题： * 作者定义了一个三元组知识库 $\mathcal{K} = (\mathcal{S}, \mathcal{C}, \mathcal{A})$，其中 $\mathcal{S}$ 是标准TBox（用于推理），$\mathcal{C}$ 是完整性约束TBox（用于检查），$\mathcal{A}$ 是ABox（数据）。 * 探讨了如何定义“约束满足”。简单的蕴涵或一致性方法都不适用。作者引入了最小模型的概念来定义约束满足，即约束只需在 $\mathcal{A} \cup \mathcal{S}$ 的最小模型中被满足。 * 通过具体例子（如BioPax本体和包含存在量词的场景），详细分析了在处理析取和存在量词时最小模型语义的合理性及其面临的挑战（如语法形式不同但逻辑等价的公理可能导致不同的约束检查结果）。 4. 查询回答 本章证明了引入完整性约束的一个重要理论优势： * 作者证明了如果完整性约束 $\mathcal{C}$ 在扩展知识库中被满足，那么在回答广泛的肯定类ABox查询时，可以忽略 $\mathcal{C}$，仅考虑标准TBox $\mathcal{S}$。 * 这一结果意味着在实践中，如果数据通过了完整性检查，查询回答过程可以简化，从而显著提高性能。 5. 建模原则 本章讨论了如何在实际本体建模过程中应用完整性约束： * 作者分析了哪些类型的公理通常适合被指定为完整性约束（如某些领域和范围约束、函数性质等）。 * 探讨了建模者在设计本体时应如何根据应用需求区分“推理规则”和“约束检查”。 6. 逻辑程序设计 本章提供了另一种解释完整性约束满足的方法： * 将问题嵌入到逻辑程序设计中，利用这种转换来进一步阐释最小模型语义的直觉含义。 * 这也为开发实际的决策过程奠定了基础，特别是对于那些不包含存在量词的知识库。 7. 算法 本章提出了针对不同类型知识库的完整性约束满足性检查算法： * 对于不包含正存在量词的知识库，可以直接利用现有的逻辑程序机制（如补全和模型检查）来进行检查。 * 对于包含存在量词的更复杂知识库，作者将问题嵌入到无限k元树上的单子二阶逻辑（SkS）中。作者指出这种方法主要证明了该问题的可判定性，虽然直接实施可能不切实际，但暗示了存在更高效算法的可能性。 8. 相关工作 本章讨论了本文提出的方法与现有的完整性约束建模方法（如基于非单调逻辑、封闭世界假设或规则扩展的方法）之间的关系，分析了各自优缺点，进一步凸显了本文方法在兼顾模式推理和数据约束方面的优势。 结论 文章总结认为，通过引入基于最小模型语义的完整性约束，OWL可以在保持其强大建模能力的同时，更好地支持数据密集型应用，解决长期存在的语义混淆和性能问题。

根据提供的文章《A novel approach for learning ontology from relational database: from the cons to the evaluation》，以下是其主要内容的总结及各章节的详细介绍。 论文主要内容总结 本文提出了一种从关系数据库（RDB）学习本体（Ontology）的新方法。针对现有研究在生命周期定义、语义提取完整性以及本体质量评估方面的不足，本文做出了四项核心贡献： 1. 提出了一个基于软件工程需求的、从RDB学习本体的新生命周期。 2. 描述了一种基于该生命周期的、从RDB构建本体的新方法。 3. 增加了三种可以从RDB中提取的新语义规则（用于转换检查约束、默认值约束和改进继承关系）。 4. 提出了一个基于两类指标的本体评估流程：概念本体（TBox）评估指标和事实本体（ABox）评估指标。 该方法旨在更系统、更自动化地生成高质量、富含语义的本体，以解决信息系统的异构性问题，并促进数据的语义化管理和共享。 各章节内容详细介绍 1. 摘要 简要概述了研究背景、问题和论文的主要贡献。指出将关系数据库转换为本体的目的是为了提供基于数据语义表示的应用。本文的核心是提出一个新的生命周期、构建方法、新增语义规则和评估流程。 2. 引言 阐述了使用本体的好处（如使领域假设显性化、实现知识重用、共享信息结构的共同理解），以及本体在解决信息系统异构性方面的重要性。指出了手动构建本体的困难，从而引出了“本体学习”的必要性。在众多数据源中，关系数据库因其普遍性和成熟的存储技术而成为重要来源，但其缺乏明确的语义含义。接着，分析了现有从RDB到本体映射方法的四大局限： * 只关注生成ABox或TBox，忽略两者的集成。 * 未能充分利用数据库中蕴含的全部语义。 * 只描述了构建过程，未定义一个通用的开发生命周期。 * 忽略了对本体的质量评估。 最后，重申了本文旨在解决这些问题的四项主要工作。 3. 相关工作 回顾并比较了该领域的相关研究。将这些工作分为两类：基于关系模式分析的方法和基于关系数据分析的方法。通过表格对比了不同研究对各类数据库元素（如表、列、主键、外键、二元/三元关系、各种约束等）的覆盖情况，指出Astrova和Sequeda的研究最为全面。同时，批评现有研究普遍忽视了ABox与TBox的集成、缺乏生命周期视角，并且评估重点在于映射过程而非生成的本体质量。 4. 从关系数据库学习本体的生命周期 这是本文的核心创新之一。提出了一个包含四个阶段的迭代式生命周期模型： * 发现：明确本体的领域、范围、用途、目标用户和数据源，并制定初步的“能力问题”。 * 准备：探索数据源是否包含足够的语义，并进行数据清洗和预处理（如规范化）。 * 开发：分为前期开发和后期开发。前期包括数据获取（生成ABox）和模式获取（生成TBox），以及两者的集成。后期可能涉及对齐、合并等其他任务。 * 评估：使用特定指标对生成的TBox和ABox分别进行评估，以确保本体质量。 5. 提出的方法 基于上述生命周期，具体阐述了一种本体构建方法。其核心步骤包括： 1. RDB探索：提出“语义数量”（NS）度量标准，用于量化并选择语义最丰富的数据库作为输入。NS基于17种预定义的语义模式（如表模式、属性模式、约束模式等）进行计算。 2. 构建TBox：详细列出了将RDB元素（表、列、键、约束等）映射到OWL本体元素的转换规则表。特别强调了三项新语义规则的转换：检查约束：转换为OWL的数据范围限制（如xsd:minInclusive）。 默认值约束：转换为OWL的owl:hasValue约束。 改进继承关系：使用owl:allValuesFrom约束来精确限定属性的取值范围，避免推理中出现歧义。 文中给出了算法1来描述自动生成TBox的流程。 3. 构建ABox：使用R2RML语言将数据库中的实例数据转换为RDF三元组（即ABox）。文中通过算法2概述了利用数据库元数据自动生成R2RML映射文件的过程。 4. 评估：提出分别使用以下指标评估TBox和ABox的质量：TBox评估指标：属性丰富度、继承丰富度、关系丰富度。 ABox评估指标：类丰富度、平均实例数。 6. 结果与讨论 通过实验验证所提方法的有效性。 * 发现阶段：从6个电子商务领域的数据库中，通过回答预设问题并分析元数据，排除了两个语义贫乏的数据库。 * RDB探索阶段：计算剩余数据库的NS值，并结合总语义量分析，最终选择了Sakila数据库作为最佳输入源，因为它覆盖了全部17种语义模式且实例数量庞大。 * 本体构建与评估：将生成的本体与领域内著名的参考本体（GoodRelations）进行对比评估。基本指标对比：显示生成的本体在类、属性、公理和实例数量上远超参考本体。 TBox质量评估：生成本体的属性丰富度和继承丰富度更高，表明其对领域描述更细致；但关系丰富度较低，说明非继承关系类型相对较少。 ABox质量评估：生成本体的类丰富度和平均实例数显著更高，表明其实例数据更充分地覆盖了定义的类别。 能力问题验证：生成的本体能够正确回答所有预先设定的能力问题（SPARQL查询），证明了其功能性。 7. 结论 总结了全文工作，重申了四项主要贡献：提出新生命周期、新构建方法、增加三种新语义规则、引入基于指标的评估流程。展望了未来的研究方向，包括专注于数据清洗、整合更多结构化数据源（如Excel、CSV），以及向非结构化数据源扩展。

这篇论文提出了一种基于大型语言模型（LLM）的语义多智能体系统，用于自动化地将关系型数据库集成到统一的知识图谱（KG） 中。其核心思想是在数据库表之上构建一个语义层，通过多个分工合作的LLM智能体，将数据库的表和列映射到通用的Schema.org词汇表中的概念上，从而实现异构数据源的语义集成。该系统在多个领域的评估中实现了超过90%的映射准确率。 以下是各章节内容的详细介绍： 1. 引言 本章阐述了企业面临的数据挑战：关键业务数据通常存储在多个孤立的数据系统中，导致数据互操作性差、难以充分利用。知识图谱作为一种强大的范式，能够为异构数据集创建统一的语义视图。然而，传统的集成方法需要大量人工工作来对齐模式。近年来，大型语言模型在复杂推理任务（如语义映射）上表现出色，为自动化这一过程提供了新机遇。因此，本文提出了一种新颖的语义多智能体系统，利用LLM代理自动将关系数据库映射到知识图谱，旨在显著减少数据集成的手动负担。 2. 文献综述 本章回顾了相关领域的研究： * 知识图谱与数据集成：介绍了虚拟知识图谱范式、面向工业4.0的博世工业4.0知识图谱，以及旨在弥合理论与应用差距的企业知识图谱框架。 * LLM的应用：指出LLM在结构化信息抽取和知识图谱构建任务中日益受到重视，并提及作者先前的工作表明LLM可以提高从文本中提取结构化知识的准确性。 3. 方法论 本章详细描述了所提出的多智能体系统的构建方法和评估数据源。 * 3.1 数据描述：系统使用Yale Spider数据集进行评估，这是一个包含200个跨138个领域的真实世界数据库的复杂基准。语义映射使用的是广泛采用的Schema.org词汇表，以避免“幻觉”出无明确定义的新术语。 * 3.2 图-向量存储构建：为了辅助映射过程，系统构建了一个混合图-向量索引用于检索增强生成。具体流程是：为Schema.org中的每个术语提取其URI、类型、注释等信息，构建一个单跳子图以丰富语义上下文，然后将每个子图转换为向量表示并存入向量库。在映射时，根据语义相似度从中检索相关术语。 * 3.3 多智能体系统架构：系统由三个基于GPT-4o-mini的专用代理组成，以流水线方式工作：映射代理：负责将数据库表的列映射到对应的Schema.org术语。它接收表名、列名、值统计样本等信息，并从图-向量库中检索最相似的术语作为参考。 关系代理：负责识别表之间的主键和外键关系，从而在知识图谱中建立实体间的链接。 验证代理：负责检查和修正前两个代理产生的映射和关系结果，以提高最终输出的准确性。 所有代理都会输出对其完成任务置信度的评估（高、中、低）。 4. 结果与讨论 本章报告了系统在Spider数据集多个领域上的评估结果。 * 执行时间：系统执行时间随待映射表和列数量的增加而增加，这与建模关系的复杂性有关。 * 映射准确率：通过对零售、电影、汽车、公寓和配送五个领域进行人工评估，系统整体准确率令人满意。其中，“公寓”领域准确率最高（93.54%），“零售”领域最低（78.72%）。结果显示，置信度为“高”的映射通常正确率也最高。 * 讨论：结果表明，该系统能够有效实现跨领域的自动化语义集成，且高置信度输出具有很高的可靠性。 5. 结论 本章总结了论文的主要贡献： 1. 设计并实现了一个用于自动化关系数据到图谱集成的语义多智能体系统。 2. 创新性地利用LLM代理，基于现有词汇表对结构化数据进行语义映射和推理。 3. 在真实的Spider基准上进行实证评估，验证了系统的实用性和泛化能力。 最后，指出了未来的研究方向：支持自定义领域本体、通过微调增强代理的推理能力，以及研究集成更大规模、更异构数据集的扩展策略。

根据提供的论文《AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora》，以下是其主要内容的总结及各章节的详细介绍。 论文主要内容总结 本文提出了 AutoSchemaKG，这是一个革命性的、完全自动化的知识图谱构建框架。其核心创新在于无需任何预定义的模式（schema），利用大语言模型直接从大规模文本语料中并行完成知识三元组抽取和动态模式归纳。 关键技术与特点： 1. 实体与事件联合建模：不仅抽取传统的实体关系，还将事件作为基本语义单元进行建模和链接，以捕捉动态、时序和因果关系。 2. 概念化驱动的模式归纳：通过抽象机制，将具体的实体、事件和关系归纳为更高层次的概念类别，自动形成多层次、可适应的语义模式。 3. 全自动化流水线：从文档预处理、三元组抽取到模式归纳和图谱构建，整个过程无需人工干预。 主要成果： 应用该框架处理超过5000万份文档，构建了 ATLAS 系列知识图谱（包括ATLAS-Wiki, ATLAS-Pes2o, ATLAS-CC），总计包含超过9亿个节点和59亿条边，是目前已知最大规模的自动构建知识图谱。 验证效果： * 高质量：三元组抽取精度超过95%，模式归纳与人工构建模式的语义对齐度达92%。 * 强性能：在多跳问答任务上优于现有基线方法12-18%；能有效提升大语言模型的事实性（最高9%）和在历史、法律、医学等需要深厚背景知识的领域的推理能力。 各章节内容详细介绍 1. 摘要 概括性地介绍了AutoSchemaKG的目标、方法、规模和成效。指出其通过消除对预定义模式的依赖，利用LLM实现了知识图谱的全自动构建，并创建了超大规模的ATLAS图谱，在多项下游任务中表现出色。 2. 引言 阐述了当前知识图谱构建面临的核心矛盾：对专家预定义模式的依赖严重制约了其可扩展性和领域适应性。在此基础上，正式提出AutoSchemaKG框架，强调其事件建模和概念化两大创新点对于捕获动态知识和实现零样本推理的重要性。同时，预告了在亿级规模上构建ATLAS图谱的成果及其对增强大语言模型参数化知识的互补价值。 3. 问题定义 以形式化的方式给出了带概念模式的知识图谱的数学定义：G = (V, E, C, φ, ψ)。其中，V 是节点集合（包括实体 V_N 和事件 V_E），E 是边集合，C 是概念集合，函数 φ 和 ψ 分别将节点和关系映射到概念子集。这为后续的方法描述奠定了理论基础。 4. AutoSchemaKG框架 这是论文的核心方法论部分，详细描述了自动化构建流水线的两个主要阶段： * 4.1 三元组抽取：采用三阶段流水线，使用不同的提示词（P_EE, P_EV, P_VV）引导LLM依次从文本中抽取实体-实体、实体-事件和事件-事件三类关系三元组。文档会经过过滤、分段和批处理以适应LLM上下文长度。 * 4.2 模式归纳：在抽取三元组后，启动概念化过程。使用特定的提示词（见图5、6、7），引导LLM为每个实体、事件和关系生成多个（至少3个）不同抽象层次的概念短语。对于实体，还会结合其图谱中的邻居上下文信息以提升概念化质量。最终，为每个图谱元素分配一个概念子集，从而动态诱导出完整的图谱模式。 5. ATLAS图谱家族的构建 详细说明了构建ATLAS三个子图所使用的数据源：英文维基百科、Semantic Scholar论文摘要、以及Common Crawl网络爬虫数据的子集。并披露了庞大的计算成本：总计约78,400 GPU小时，使用了Llama-3-8B-instruct模型。 6. 实验 本章通过大量实验全面验证AutoSchemaKG的有效性： * 6.1 评估AutoSchemaKG本身：三元组抽取准确性：使用DeepSeek-V3作为评判，在多个数据集上评估精确率、召回率和F1分数，结果显示大部分超过90%（表2）。 信息保留度：测试将原始文本转换为图谱三元组后，在多项选择题上的性能保留情况。发现事件比单纯实体能保留更多信息（超过90% vs 70%），接近原文性能（表3）。 模式质量：在实体类型、事件类型、关系类型分类任务上评估概念化结果，使用语义级指标（BS-R, BS-C），召回率通常超过80%-90%（表4）。 * 6.2 在多跳问答任务上的性能：在MuSiQue、2WikiQA、HotpotQA数据集上测试。将AutoSchemaKG构建的图谱与HippoRAG2等先进检索方法结合，其“全图谱”配置性能最佳，显著超越传统文本检索方法（表5）。案例分析显示事件和概念节点能为复杂推理提供关键上下文和替代路径。 * 6.3 增强LLM事实性：在FELM基准测试上，使用ATLAS图谱的HippoRAG2方法在检测事实错误方面取得了最优或具有竞争力的准确率和F1分数（表6）。 * 6.4 通用领域知识能力：在MMLU基准的知识密集型子领域（如历史、法律、医学等）测试表明，基于ATLAS图谱的检索增强方法能稳定提升Llama-3.1-8B模型的性能，优于无检索基线及其他文本检索方法（表7）。 7. 相关工作 回顾了知识图谱构建、模式归纳/本体学习等相关领域的研究进展，指出了传统方法的局限性，并定位了AutoSchemaKG在利用LLM实现全自动、大规模构建方面的贡献。 8. 结论 总结了AutoSchemaKG通过消除预定义模式需求，利用LLM实现高质量、大规模知识图谱自动构建的核心贡献。重申其在多项任务上的优越性能，证明了动态诱导模式的亿级图谱能够有效补充大语言模型的参数化知识。 9. 局限性 坦诚指出了工作的不足：计算资源消耗巨大；受限于底层LLM的能力，可能在专业领域存在偏差；在极端技术领域的模式归纳仍有挑战；图谱中可能存在不一致性或信息缺口。 10. 伦理声明 声明研究遵循伦理规范，使用公开数据集，透明公开计算成本，认识到数据源和LLM可能存在的偏见，注重隐私保护，并致力于促进研究的可复现性和AI系统的可解释性。

这篇题为《LLMs4OM: Matching Ontologies with Large Language Models》的论文提出并评估了一个利用大语言模型进行本体匹配的新框架。以下是论文各章节的主要内容总结： 摘要 本体匹配对于知识集成和数据互操作性至关重要。传统方法常依赖专家知识或预测模型，而对大语言模型的潜力探索有限。本文提出了LLMs4OM框架，通过检索和匹配两个模块，并结合三种本体表示形式，以零样本提示的方式评估LLMs在本体匹配任务中的有效性。在涵盖多个领域的20个数据集上的综合评估表明，在该框架下，LLMs的性能可以媲美甚至超越传统本体匹配系统，尤其是在复杂匹配场景中。 1. 引言 阐述了在异构知识系统中实现语义互操作性的重要性，以及本体匹配作为关键解决方案的角色。随着大语言模型在自然语言理解方面的突破，将其应用于本体匹配任务具有巨大潜力。早期尝试直接将整个本体输入LLM存在上下文长度限制和幻觉风险两大缺陷。为此，本文提出了LLMs4OM框架，采用双模块策略：首先使用检索增强生成技术筛选候选匹配，再利用LLM进行精细匹配，以克服上述限制。 2. 相关工作 将现有的本体匹配系统分为三类： 1. 无监督学习方法：通常利用BERT等模型的嵌入进行相似度计算。 2. 监督学习方法：主要对Transformer模型进行微调以适应特定任务。 3. 基于LLM的方法：探讨了使用提示模板、结合检索器获取候选匹配后再由LLM判断等策略。本文工作属于此类，并进行了更全面的评估。 3. LLMs4OM – 方法论框架 详细介绍了LLMs4OM框架的四个核心步骤： 1. 概念表示：从本体中提取三种文本化表示：单独概念、概念-父节点、概念-子节点。 2. 检索器模型：使用嵌入模型为所有目标概念构建知识库，并为源概念检索最相似的Top-K个目标概念候选。 3. 大语言模型：将检索到的每个概念对填入预设的提示模板，输入给LLM，让其判断两者是否指向同一实体，并输出置信度分数。 4. 后处理：融合检索相似度分数和LLM置信度分数，经过置信度过滤、高精度匹配器和基数过滤三步，得到最终匹配对。 4. LLMs4OM – 本体匹配评估 描述了实验设置与结果分析： * 评估数据：来自OAEI倡议的6个轨道共20个数据集，涵盖解剖学、生物多样性、表型、通用知识图谱、生物医学和材料科学等多个领域。 * 评估模型：结合了4种检索器与7种开源及闭源LLM进行评估。 * 研究问题与发现：RQ1：概念表示的影响因任务而异。基础概念表示在检索阶段普遍最优，但在LLM匹配阶段，加入父节点或子节点信息能提升某些任务的理解与性能。 RQ2：检索器性能因领域而异。OpenAI的text-embedding-ada在多数轨道领先，而sentence-BERT在材料科学轨道表现最佳。增大检索数量top_k能提升召回率，但需权衡时间成本。 RQ3：在不同任务中，GPT-3.5、Mistral、LLaMA-2等LLM轮流成为最佳模型。结果显示，LLMs4OM框架在多个任务上的F1分数超越了OAEI 2023中的传统顶尖系统。 5. 讨论 * RAG技术的优势：将匹配复杂度从O(n²)降至O(kn)，大幅提升了处理效率，并降低了因一次性输入全部信息导致的幻觉风险。 * 在Bio-ML轨道的低性能：尽管检索阶段表现良好，但LLM在该生物医学轨道的整体匹配结果不佳。即使换用领域特定的LLM，性能提升也有限，表明需要针对此类任务设计不同的LLM应用方法。 6. 结论 LLMs4OM框架证明了LLMs在本体匹配任务中的强大潜力。通过结合检索器、零样本提示以及灵活的概念表示，该框架能够在复杂场景下取得优于传统系统的性能。这项工作为未来探索LLMs在知识工程领域的应用奠定了基础。 其他 论文还提供了完整的参考文献列表，并公开了框架的源代码。

这篇题为《基于检索增强的关系数据库本体生成》的论文提出了一种名为 RIGOR 的新方法，它利用大语言模型和检索增强生成技术，以最小的手动工作量，自动将关系数据库模式转换为丰富、高质量的OWL本体。 以下是各章节内容的详细总结： 摘要 * 问题：将关系数据库转化为带有丰富本体的知识图谱能提升语义互操作性和高级推理能力，但现有方法要么需要大量人工，要么只能生成基础本体。 * 解决方案：提出 RIGOR ——一种基于LLM驱动的、检索增强的迭代生成方法。它结合三种来源：数据库模式及文档、外部领域本体库、一个不断增长的核心本体。 * 过程：通过RAG检索相关信息，提示生成式LLM为每个表生成带溯源标签的“增量本体”片段，再由一个评判LLM进行精炼后合并到核心本体中。该过程遵循外键约束逐表迭代，直至覆盖完整。 * 成果：在真实数据库上的实验表明，RIGOR生成的本体在准确性、完整性、简洁性、适应性、清晰度和一致性等标准质量维度上得分很高，同时大幅减少了人工工作量。 1. 引言 * 阐述了关系数据库的重要性及其在语义查询和数据集成方面的局限性。 * 强调了将其转化为带有定义良好本体的知识图谱的价值。 * 指出以往创建本体的方法需要大量专家手动努力或仅依赖模式本身，导致生成的本体基础且未能与现有词汇对齐。 * 介绍了LLMs在理解文本、编码知识和生成结构化输出方面的卓越能力，但目前尚未有工作探索利用LLMs从关系数据库生成本体。 * 正式提出 RIGOR 方法，概述其迭代式RAG管道的工作流程（如图1所示），并声称其在多个质量维度上优于现有方法。 2. 相关工作 * 2.1 从关系数据库中提取本体：回顾了语义网社区的历史工作，如W3C直接映射、R2RML标准以及BootOX、Karma等工具。指出了这些基于启发式或字符串匹配的方法在复杂场景下面临的挑战，并总结了其三大缺点：依赖静态映射规则、假设数据已预处理、缺乏与外部本体的对齐。 * 2.2 用于本体和知识图谱生成的LLMs：综述了LLMs在从文本中进行知识工程和本体生成方面的最新研究，如OntoKGen。同时提到了相关的评测基准。指出本文工作与这些研究的区别在于专注于结构化输入（数据库模式）。 * 2.3 检索增强生成：介绍了RAG技术的发展，及其在提高事实准确性和减少幻觉方面的作用。对RAG进行了分类，并说明本文采用的是先进的混合递归RAG。 * 2.4 能力问题生成：说明了能力问题用于验证本体质量的传统方法及其劳动密集型特点。介绍了利用LLMs自动化生成CQs的最新进展，并说明本文将使用LLM作为评判者来生成和评估CQs。 3. 方法论 这是论文的核心章节，详细描述了RIGOR框架。 * 3.1 数据结构形式化：正式定义了关系数据库模式、文本描述、本体表示（OWL 2 DL）、外部本体库、增量本体片段和目标输出本体所需满足的条件。 * 3.2 基于嵌入的相关知识检索：描述了如何为当前处理的表，通过嵌入模型和向量检索，从三个来源获取相关上下文：1) 不断增长的核心本体；2) 数据库模式及其自然语言文档；3) 外部本体库。 * 3.3 LLM提示构建与本体生成：展示了如何利用检索到的上下文构建提示（如图2所示），指导生成式LLM为当前表生成一个增量本体片段。提示中包含详细的指令，例如定义类、属性、添加溯源注释、重用已有概念等。 * 3.4 生成增量本体的验证与精炼：生成的增量本体需经过一个评判LLM的审核，评估其与核心本体的一致性、与输入模式的对应、句法有效性与逻辑一致性以及命名清晰度。评判LLM提供反馈，必要时进行修改，对于关键部分也可引入人类专家。 * 3.5 迭代集成与完成：验证后的增量本体被合并到核心本体中。然后管道跟随外键链接处理下一个表，重复此过程直至覆盖所有表，最终形成一个完整的OWL 2 DL本体。 * 3.6 能力问题生成：描述了使用Mistral LLM并通过思维链提示工程技术，为评估本体质量而自动生成CQs的过程。 4. 实验 * 4.1 评估数据库：使用了两个真实的医疗数据库：一个来自医院的肝癌登记数据库和一个来自PhysioNet的公开ICU数据库。 * 4.2 外部本体库：选择了BioPortal中的四个生物医学本体。 * 4.3 实验设置：说明了计算资源、使用GPT-4生成数据库文档并由医学专家审核，以及选用的多个LLMs。 * 4.4 本体生成方法：定义了三种对比方法：基线：仅向LLM提供数据库模式。 非迭代方法：提供模式和一份外部本体样本，要求单次生成完整本体。 RIGOR框架：本文提出的完整迭代式RAG管道。 * 4.5 评估策略：采用了六种互补的评估方法：句法有效性检查。 逻辑一致性检查。 基于标准的评估（使用OOPS!扫描建模缺陷）。 结构分析（统计类、属性、公理的数量）。 数据库模式的语义覆盖度（通过嵌入相似性计算本体类与表列名的匹配率）。 通过CQ性能评估本体质量（使用评判LLM在六个维度上评分）。 * 4.6 结果：前五种策略仅适用于RIGOR生成的有效本体。RIGOR生成的所有本体均通过句法和逻辑检查，建模缺陷较少。 结构分析显示不同LLM生成的本体规模有差异，DeepSeek生成的最为丰富。 语义覆盖度分析示例显示，特定增量本体与源表的列名匹配率达到72.4%。 最关键的结果：在CQ性能评估中，RIGOR方法在所有LLM和数据库上均显著且一致地优于基线和非迭代方法（如表2所示）。 5. 结论 * 总结了RIGOR作为一个迭代式混合递归RAG管道的贡献，它能以最小人力将关系模式转化为富含溯源的OWL 2 DL本体。 * 重申了实验结果：RIGOR在CQ分数、逻辑一致性和建模实践方面均超越基线方法。 * 得出结论：检索引导的LLMs能够生成语义丰富、符合标准、并能忠实反映复杂关系模式的本体。 6. 附录 * 6.1 符号摘要：以表格形式列出了文中使用的主要形式化符号。 * 6.2 提示词：提供了用于生成能力问题和评估本体质量的详细提示词模板。 * 6.3 实现细节：给出了代码级别的模型设置示例。 * 6.4 详细评估结果：提供了更细粒度的CQ性能分维度评分表，以及一个增量本体的可视化图及其与数据库列的语义对齐热力图。

金融行业业务本体（FIBO）是解决金融业数据语义不一致问题并面向大数据应用的最佳实践： 1. 背景与目标：FIBO的诞生源于金融服务业对跨数据源和消息流实现共同、无歧义语义的迫切需求。传统的数据模型和消息格式标准无法解决“对账地狱”问题，而大数据架构的兴起使得语义统一变得更为关键。FIBO旨在提供两大核心价值：为异构数据提供通用语义以实现对账和比较；支持基于语义技术的新型数据分析应用。 2. 核心定位与设计原则：FIBO被定位为一个计算独立模型（CIM），即独立于任何具体技术解决方案设计的业务概念模型。为确保其既严谨又可被业务方理解，FIBO采用Web本体语言（OWL） 作为形式化逻辑基础，同时通过图表、电子表格等非技术形式向业务专家呈现，以便于评审和验证。 3. 本体构建方法论：FIBO通过回答两个基本问题来定义任何概念（“事物”）的语义： “这是什么类型的事物？”：通过构建分类层级（ taxonomy） 来定义，例如“股票”是“上市证券”的一种，而“上市证券”又是“可交易证券”的一种。 “什么属性使其区别于其他事物？”：通过定义属性（ properties） 来区分，例如股票赋予持有者股权，而债券赋予持有者债权。FIBO采用多维度分类面来全面捕捉概念，而非单一继承树。 4. 发展内容与范围：FIBO的开发始于2008年，通过逆向工程现有标准（如ISO 20022 FIBIM、FpML）并经由行业专家评审迭代构建。其内容覆盖广泛，包括： 金融工具：证券、衍生品（如利率互换）等。 业务实体：定义了个人、法律实体、组织（包括“合约能力实体”以对应LEI标识）及其所有权、控制权关系。 基础概念：引入了更高层次的“原型”（如合同、交易）和“分区”（如具体与抽象事物、事件），并参考了REA本体、塞尔的社会建构本体等来夯实法律、社会概念（如权利、义务）的基础。 5. 应用与验证：论文描述了概念验证（PoC） 项目，展示了如何从FIBO业务概念本体派生出操作型本体，并应用于语义技术： 使用推理机自动将利率互换实例数据分类到FIBO和ISDA的类别中。 结合业务实体数据，通过SPARQL查询分析跨所有权层次的交易对手风险暴露和聚合头寸。 证明了业务概念本体（完整、独立于应用）与操作型本体（为特定应用优化和约束）的区别与联系。 6. 标准化与未来展望：自2011年起，FIBO通过与对象管理组织（OMG） 合作推进标准化。其标准以模块化形式发布，包含机器可读的OWL文件和业务可读的文档。论文提供了涵盖基础、业务实体、证券、衍生品等领域的标准化路线图。作者总结认为，FIBO不仅为数据集成和管理提供了必要的语义基础（作为CIM），其驱动的语义技术架构也为大数据环境下的风险管理和新型数据分析开辟了道路。 《金融行业业务本体：大数据的最佳实践》，详细介绍： 1. 引言 本章阐述了FIBO诞生的背景：金融服务业对跨数据源和消息流的共同、共享含义的需求。此前业内的通用消息格式和逻辑数据模型倡议未能解决“对账地狱”问题，其核心在于缺乏对共同语义的处理。随着监管机构为应对系统性风险提出的倡议，以及“大数据”架构的出现，这些挑战将变得更加普遍。FIBO旨在提供无歧义的共享含义标准，并利用“语义网”的新兴架构进行部署，以带来两大益处：提供共同语义以便对账和比较数据；利用语义技术应用程序以新方式分析大数据集。 2. 数据管理挑战 本章在正式信息系统管理理论的背景下讨论数据管理的挑战。除了数据质量、来源等已知问题，更深层的是数据与其含义之间的关系问题。当系统孤立时，数据元素的语义可以忽略；但一旦系统间需要交互或引入新数据源，就必须理解数据元素的含义以确保正确映射。FIBO正是为解决系统集成和开发中的共同含义问题而构建。 3. 集成挑战 本章探讨集成多源数据时的挑战。指出单一的“数据模型”或商定的“词汇表”无法解决集成问题，因为不同业务单元经常一词多义或一义多词。因此，金融服务业通过企业数据管理委员会（EDM Council）委托开发了一个基于“语义”的模型来处理集成问题。 4. 大数据 本章深入探讨“大数据”环境下的语义挑战。强调“大数据”不仅是数据体量的增长，更是一种架构转变，使得数据不再与任何特定应用程序绑定。数据必须被纯粹地理解为信息，并能被任何需要该信息的应用程序使用。这就要求数据必须具有明确的含义，这使得原本困难的数据集成问题变得更为复杂。FIBO因其旨在解决语义问题，故能很好地应对大数据领域的挑战。 5. IT开发生命周期 本章介绍了正式的IT开发方法论（如瀑布模型、敏捷开发）及其核心产出物类型：平台特定模型（PSM）、平台无关模型（PIM）和计算无关模型（CIM）。CIM独立于任何技术解决方案设计，代表业务问题本身。文章指出，FIBO是作为计算无关的“概念”模型（CIM）开发的。 6. 概念模型的要求 本章详细阐述了业务概念模型（特别是需求规格说明）的正式要求：必须完整、无歧义、可实施、可测试、独立于任何设计，并能被业务方理解。对于数据的概念模型，类似的要求包括：形式化框架、有意义、可在数据中实施、可验证、独立于数据库或消息模式，并能被业务方理解。任何数据语义模型都必须形式化、逻辑化，同时又能以非技术化的方式呈现给业务利益相关者。 7. FIBO要求 基于上述要求，FIBO的建模需要满足两个看似矛盾的要求：1）基于某种形式逻辑；2）内容能以业务利益相关者无需技术符号即可理解的方式呈现。为此，FIBO选择：1）使用网络本体语言（OWL）作为形式化基础；2）使用图表（无方言的节点和边）和电子表格/表格报告作为业务可理解的呈现格式。这种方法允许向各领域专家提交不完整或可能有误的“稻草人”模型进行评审。 8. 寻求意义 本章区分了语法和语义。将ISO 20022 FIBIM模型中的术语导入OWL只会得到一个逻辑数据模型，而非语义。语义关乎模型元素所代表的主题事物。本体在这两个维度上都有定义：是对现实世界主题的形式化表达。OWL中的基本概念以“三元组”（主体-谓词-客体）形式存储，构成语义网的基础语言。 9. 含义：事物与事实 在开发FIBO并向业务专家解释时，对于模型中的任何一类“事物”，会提出两个问题：1）这是哪种事物？（抽象/分类问题）2）是什么特性将它与其它事物区分开？（属性问题）。回答第一个问题会创建一个继承层次结构或分类法（类似林奈分类法）。回答第二个问题则识别出区分该类事物的属性。多个独立变化的属性形成了不同的“分类面”，FIBO使用多面分类法来捕捉所有可能的概念，而不局限于单一应用用例。 10. FIBO开发概述 本章概述了FIBO的开发历程。始于2008年，从ISO 20022 FIBIM草案模型中的证券参考数据术语“逆向工程”开始，并利用ISO 10962标准作为证券分类基础。草案模型通过每周网络会议向行业专家开放评审。随后逐步扩展到场外衍生品、市场数据、基金和贷款术语等领域。 11. 商业实体 本章专门介绍商业实体模型的开发。从识别“自治实体”的基本分类法开始，包括自然人、组织和法人。由于“法律实体”一词在律师和LEI（法律实体标识符）社群中有不同含义，FIBO弃用了该术语，并为LEI定义了“有合同能力实体”这一与司法管辖区相关的概念。模型还包括信托、基金、合伙企业和公司等实体类型，以及所有权和控制权层次结构关系。 12. FIBO基础 构建“事物”的分类层次结构会导致抽象级别不断提高，从具体的金融工具类别一直到最顶层的“事物”类别。介于金融主题（如金融工具）和“事物”之间的类别称为“原型”（例如“合同”）。OWL中的属性分为两种：简单数据类型属性和关系属性（以“主体-谓词-客体”形式表示）。许多关于证券和衍生品的属性是参照金融领域之外的概念（如国家、地址、数学公式等）来定义的，因此需要一个真正有意义的模型来涵盖多个业务领域。 13. 原型与分区 “原型”是指某类事物最一般的形式（如“合同”），具有该类事物必然具有的所有事实。FIBO参考了约翰·F·索瓦的“知识表示格”来组织“事物”之下的概念分区，用以区分具体与抽象事物、事件/活动与非时间性事物，以及相对于某些上下文定义的概念（如根据角色定义的各方）。 14. 交易与REA本体 场外衍生品既可视为合同，也可视为交易。在建模过程中，FIBO团队遇到了专门处理交易的“资源-事件-代理”（REA）学术本体，并与之合作，探讨如何用OWL和FIBO建模框架来构建REA本体的语义。 15. 法律与社会建构 在REA工作中，团队意识到需要对权利、义务和承诺等更基本的概念进行更形式化的处理。为此，他们参考了约翰·塞尔的“社会建构本体论”，以验证和增强法律与合同空间这部分基础模型的严谨性和细节。 16. 操作本体 操作本体可视为语义技术中等同于传统开发中PSM的产物。它们从概念本体中提取所需术语，并根据应用程序性能约束进行简化和调整，用于具体的语义技术应用。 17. 衍生品概念验证 由富国银行的David Newman团队进行的证明概念实验分为两个阶段：1）利率互换：使用FIBO OTC衍生品草案BCO，创建具有不同特征的互换模拟数据，在Protégé平台上使用“推理器”自动将实例数据分类到相应类别（如基差互换、交叉货币互换等），并整合了FpML消息数据和ISDA产品分类。2）结合FIBO商业实体术语：将商业实体模型与利率互换交易结合，使用SPARQL语义查询语言演示了跨所有权层次结构的传递性风险敞口和针对交易对手的聚合头寸等功能。 18. 发现 通过概念验证发现，完整的FIBO BCO OWL文件对于单一操作用例来说过于庞大和笨重。因此，需要区分两种类型的FIBO本体：1）FIBO业务概念本体（BCO）：完全基于法律和概念基础、明确定义术语含义的模型。2）操作本体：针对一个或多个特定用例的独立RDF/OWL应用程序，根据特定语义技术应用的设计约束（如使用OWL-DL）实施。操作本体可能只采用BCO中分类面的一个子集，形成单一的分类层次结构。 19. 总结 * 操作层面（聚焦数据）：操作本体从概念本体中提取所需术语，进行调整以适应性能约束，可用于基于推理器和语义查询的多种语义技术应用，在大数据环境中尤其有用，可以对数据进行推理、自动分类和语义查询。 * 概念层面（含义源于现实建构）：概念本体是任何成熟数据密集型开发的基石，用于验证数据模型是否符合业务需求，也可用作“中心辐射”式集成映射的“中心”。即使BCO中的某些概念（如权利、义务）没有对应的物理数据，它们仍有操作价值，例如帮助区分不同数据源中语义不同的断言（如法律控制与实际控制）。 1. OMG合作 2011年，EDM Council与OMG合作，将语义库作为名为FIBO的正式OMG标准推进。对现有模型进行了一些技术性调整，例如更新元模型以符合最新的OMG本体定义元模型标准，并将FIBO特有的特性（如原型、同义词、术语来源等）渲染为OWL注释属性。每个FIBO标准包括完整的正式文档和机器可读文件（OWL和XMI）。FIBO本体采用高度模块化结构，允许提取子集、重用其他领域的现有本体，并包含符合性要求和派生操作本体及传统数据模型的指南。 2. FIBO标准路线图 以表格形式列出了FIBO规范计划发布的主题领域及其预计的评审和正式发布季度（部分日期待定），包括：基础、商业实体、证券、衍生品、贷款、市场数据、指数与指标、基金、公司行动、投资组合与持仓（风险因子）、支付等。 3. 总结与结论 本章总结了FIBO作为行业资源，旨在以严谨、形式化的方法解决数据集成、映射和对账中的语义问题。基于语义网原则和标准开发，为操作语义技术应用开辟了道路。其提供的无歧义共同含义和新型语义技术应用对于系统性风险管理具有价值。在大数据环境中，语义索引或“三元组存储”格式能实现更有效的数据使用和重用。语义不仅从业务角度（作为数据的CIM）是必要的，在未来也将变得更加普遍。