一、研究背景与问题
痛点：关系数据库应用广泛，但其模式缺乏语义，难以支持语义查询、跨源数据集成、知识图谱构建等任务。将其转换为OWL本体可以解锁这些能力。
现有方法局限：
传统自动化方法（如W3C直接映射）仅基于表/列名、数据类型、外键等结构线索，生成的是“浅层本体”，缺乏类层次、不相交公理、属性限制、注释、出处等丰富语义信息。
已有基于LLM的方法主要针对非结构化文本，未针对关系模式的结构特性（如外键语义、表间连贯性、模式约束）进行优化，且多为单次生成，容易遗漏元素或产生错误。
二、核心贡献——RIGOR方法
作者提出了RIGOR（Retrieval-augmentedIterativeGeneration ofRDBOntologies），一个迭代式检索增强生成（RAG）流水线，使用LLM自动将关系模式转换为OWL2DL本体，且几乎无需人工干预。
关键设计如下：
表级迭代处理（FK-BFS顺序）
按照外键依赖关系的广度优先顺序逐个处理表，确保依赖表处理前被引用表已存在，同时避免上下文窗口溢出。
确定性直接映射保证覆盖
对每个表先应用W3C直接映射规则，生成一个基础OWL片段，保证每个列都被表示（清洗掉ETL工件列）。
三源检索增强（RAG）
对每个表，从三个来源检索最相关的上下文（每个来源取top-3）：
核心本体（已处理表积累的本体）
外部领域本体（如BioPortal、音乐本体）
文本文档（数据字典、注释等）
采用all-MiniLM-L6-v2嵌入+Faiss近似最近邻检索。
Gen-LLM语义丰富
将直接映射+检索上下文输入LLM，要求其执行六类语义增强操作：
添加rdfs:label/comment（扩展缩写，注释单位）
声明SubClassOf层次
为编码整数值添加注释说明
声明DisjointWith不相交公理
为NOT NULL/UNIQUE列添加存在性限制
链接到外部本体（equivalentClass/subClassOf）
Judge-LLM验证与修正
使用独立的LLM对生成的增量本体进行14项标准检查（分关键/重要/次要三级），输出批准/带修正批准/拒绝。
结合确定性图验证（类型一致性、域/范围、XSD类型等）。
最多重试2次，若仍失败则选择最佳候选或回退到直接映射。
增量合并
验证通过后，将增量本体合并到核心本体中，供后续表使用。
三、实验设计
数据集：
两个医学数据库：肝癌登记库（16表/350列/15 FK）、eICU-CRD（31表/559列/30 FK）
一个音乐领域数据库：Chinook（11表/67列/11 FK）
另外使用BURR基准的ISWC数据库进行额外评估。
对比方法：
W3C直接映射（无LLM）
基线方法（零样本LLM，仅输入表模式）
非迭代RAG（单次生成，有检索但无迭代和验证）
RIGOR（完整流水线）
评估手段（8种）：
语法与逻辑一致性（RDFLib + HermiT）
OOPS!建模陷阱检测
结构分析（类/属性/公理/注释/出处数量）
语义覆盖（嵌入相似度≥0.55）
LLM-as-Judge（GPT-5.4）基于能力问题评分（7个维度）
10位人类专家评估（4个代表性表，Kendall's W衡量一致性）
BURR基准测试（基于映射的F1）
消融实验（分析各检索源的贡献）
四、主要结果
质量大幅提升：
RIGOR在所有三个数据库上均排名第一（LLM-as-Judge和专家评估均一致）。
在OOPS!陷阱检测中，RIGOR将陷阱数量从数百个降至个位数或零（Chinook上为0）。
语义丰富性显著：
RIGOR是唯一能稳定产生注释、出处断言、SubClassOf和DisjointWith公理的方法。
其他方法（直接映射、基线、非迭代）均无法生成这些结构。
模式覆盖保持：
表覆盖率达100%，列覆盖率达0.77~1.00，兼顾丰富性和完整性。
BURR基准领先：
RIGOR在类F1（0.73）、关系F1（0.67）、属性F1（0.52）上均优于W3C-Mapper、RDB2Onto、OntoGenix等系统。
消融实验：
三个检索源均贡献正向效果，完整RIGOR在外部本体对齐和文档对齐上的平均F1最高。
专家一致性：
Kendall's W在0.39~0.72之间，多数表呈现显著一致，RIGOR在70%的评估中排名第一。
五、局限与未来工作
列覆盖不完全（0.77~1.00），部分属性可能在丰富时被遗漏。
残留建模陷阱（如P19）表明Judge-LLM偶尔未能捕获Gen-LLM的错误。
未来方向：
引入工具反馈（如OOPS!）作为agentic工具调用，增强验证。
利用实例级信号（基数、值分布）辅助消歧。
耦合符号推理器以改进不相交公理生成。
RIGOR是首个将迭代RAG、直接映射、LLM生成与LLM验证有机结合的本体自动构建系统，在无需人工干预的情况下，显著超越了现有基于规则和基于LLM的单次方法，在多个领域和评估维度上均验证了其有效性。其核心贡献在于通过迭代式“结构覆盖→检索增强→语义丰富→验证修正”的闭环，实现了从关系模式到高质量OWL2DL本体的自动转换。这里是自己的论文阅读记录，感兴趣的话可以参考一下，如果需要阅读原文的话可以看这里，如下所示：
摘要：从关系数据库模式推导OWL本体支持语义互操作性和下游任务，如知识图谱填充、基于本体的数据访问、基于图的学习和自动推理。现有方法要么需要大量的专家工作，要么生成浅层本体，这些本体反映了逻辑模式结构，但未能完全捕获领域语义。我们提出了RIGOR（从关系数据库本体进行检索增强的迭代生成），这是一个LLM驱动的流水线，可将关系模式转换为语义丰富的OWL2DL本体，且只需最少的人工干预。对于每个关系表，RIGOR生成一个直接映射以保证模式覆盖，然后通过从三个来源检索来丰富它：关系模式上下文和文档、外部领域本体，以及一个随着每个验证后的片段被整合而逐步增长的核心本体。生成式LLM产生带有出处注释的本体片段（增量本体），这些片段在整合前由一个独立的评判LLM进行验证，并在需要时进行修正。在外键约束的引导下，该过程迭代遍历关系表，直到覆盖整个模式。在跨越两个领域的三个数据库上的实验表明，RIGOR在标准质量指标上始终优于基线方法，且无需人工监督。
关键词：关系数据库 · 本体 · 大型语言模型。
1 引言
关系数据库[40]为存储、查询和操作数据提供了一个形式化的框架，具备强一致性和完整性保证，并作为医疗保健、金融、电子商务和政府中企业应用的支柱。然而，关系数据库模式使得对其内容进行语义查询[40]或跨异构数据源集成数据变得困难。
在关系数据库上定义一个OWL本体能够解锁关系模式本身无法提供的能力：基于本体的数据访问（OBDA），它支持对实时数据库进行概念上强大的查询而无需物化[64]；知识图谱填充，它将数据物化为RDF实例，用于基于图的学习[48]和推理[13,63]；以及跨异构源的语义集成[60]。一个镜像逻辑模式的浅层本体已经可以提供其中一些好处；然而，一个语义丰富的本体——具有类层次结构、不相交公理、表达性属性限制以及与既定领域词汇的对齐——能够增强推理和跨系统互操作性。
过去，从数据库模式构建这样的本体是劳动密集型的。现有的自动化方法仅依赖于结构线索——表和列名、数据类型和外键约束——并产生缺乏有效人类和机器推理器所需表达性公理的本体[6]。
LLM[22]在知识密集型任务中表现出色，包括理解文本、编码概念知识[66]、执行算法推理[67]和生成结构化输出[31,30]。它们已被应用于从文本生成本体[5,46,36,39,29]，最近的工作将它们应用于从关系模式构建本体[65]和对此类系统进行基准测试[27]。然而，现有的基于LLM的方法针对非结构化文本，并未解决关系模式特有的挑战，例如解释外键语义、维护相互依赖表之间的连贯性，以及将生成置于模式约束内，导致生成的本体可能遗漏模式元素或错误表示结构关系。
我们引入RIGOR，一个迭代的检索增强生成（RAG）流水线，使用LLM将关系数据库模式转换为语义丰富的OWL本体（见图1）。该流水线逐个处理表，遵循外键关系，并将每个生成步骤建立在关系模式结构之上。对于每个表，在进行任何LLM参与之前，确定性直接映射提供模式覆盖。然后从三个互补来源检索相关上下文：关系模式及其文本文档、从先前处理的表构建的核心本体，以及外部领域本体。一个生成式语言模型（Gen-LLM）通过标签、类层次结构、不相交公理和出处注释丰富直接映射，产生一个增量本体。在集成之前，一个独立的评判LLM验证并在必要时修正该片段。流水线迭代直到达到完整的模式覆盖，生成一个保留知识图谱填充和OBDA所需的模式到本体对应关系的本体。我们在两个领域（两个医学数据库和一个音乐领域数据库）上评估RIGOR，并与W3C直接映射[51]、一个LLM基线[34]和一种单次非迭代生成方法进行比较。通过一致性检查、语义相似度、建模陷阱检测和专家判断来评估本体质量。RIGOR在所有竞争方法中始终表现优异。
图1：RIGOR流水线概述。表按照外键遍历顺序迭代处理（a）。对于每个表，生成直接映射（b），从外部本体仓库（c）、文本文档（d）和扩展中的核心本体（e）检索相关上下文。在提示构建期间（f），将直接映射和检索到的上下文传递给Gen-LLM，后者生成语义丰富的增量本体（g）。增量本体被验证，并在必要时由人类专家或评判LLM进行细化，随后进行确定性图验证（h），并将接受的结果集成到核心本体中以供后续迭代使用（i）。
2 相关工作
2.1 从关系数据库学习本体
从关系数据库到语义表示的转换已被广泛研究[57,4]。W3C直接映射和R2RML [51,3,7] 将每个表行转换为RDF资源，生成一个保留逻辑模式但不引入类层次结构、属性限制或指向领域词汇链接的知识图谱。BootOX [23] 进一步将表映射到类，将外键映射到对象属性，然后通过LogMap将结果与领域本体对齐；然而，它需要一个预先存在的目标本体，无法从头生成。诸如Karma [25]、IncMap [43]、MIRROR [35]和D2RQ [55]等工具已在RODI基准测试[42]中评估，该测试表明所有系统在处理复杂的模式-本体不匹配问题时都遇到困难：编码隐式层次结构的表、表示n元关系的连接表以及反规范化设计一直被错误映射或未被映射。Ben等人[6]使用基于外键和数据模式的启发式方法从数据库学习本体，但他们的方法依赖于固定的映射规则，无法推广到其编码模式之外，并假设数据是规范化的；这在现实世界的临床或企业数据库中很少见，其中隐式层次结构和神秘的列命名（例如，BM_DEP表示骨髓抑制）很常见。现有方法共有两个局限性：它们依赖于无法捕获隐式语义的固定结构规则，并且它们生成的本体缺乏注释、出处或超出模式直接编码的公理深度。
基于LLM的本体学习。LLM已被应用于本体生成，主要来自非结构化文本[5,1,29,39,10,9,11]。Babaei等人[5]评估了零样本LLM在术语类型化、分类法发现和关系提取方面的表现；性能有限，特别是在模型缺乏领域基础的分类法和关系任务上。OntoKGen [1] 使用GPT-4结合迭代式专家参与提示改进了结果，但仍依赖于每一步的人工指导，并针对技术文档而非结构化模式。这些基于文本的方法并未解决关系模式特有的挑战，例如解析连接表、解释外键语义或处理反规范化设计。
Xiao等人[65]将LLM应用于从数据库模式构建虚拟知识图谱，结合结构模式识别与LLM驱动的对齐和映射模块。他们的系统假设存在一个用于对齐的预先存在的目标本体，并以单次传递方式运行；如果初始生成包含错误，这些错误会未经修正地传播。当前基于LLM的方法在该任务上存在困难，这一点由BURR基准测试[27]证实，该基准使用基于映射的指标评估从关系数据库学习本体：他们的结果表明，当前基于LLM的方法在映射精度和召回率上不如基于规则的系统，这表明仅靠LLM——没有在源模式中的结构化基础——尚不能产生足够质量的本体。
2.2 基础
我们的工作建立在三个既定范式之上。
检索增强生成（RAG）[28]通过在生成前检索相关上下文来提高事实准确性，减少问答、对话和代码生成中的幻觉[15]；然而，RAG本身并未解决本体工程的结构约束，如类型一致性、域/范围正确性或与OWL概要的一致性。
LLM即评判者范式[19]使用辅助LLM评估生成的输出；它已被应用于基于能力问题[41,26]和陷阱检测[29]的本体评估，但仅作为事后评估器，而非生成过程中的循环验证器。
能力问题[18]验证本体是否捕获了所需的领域知识；最近的工作使用LLM根据本体[47]或数据集[2]自动生成它们。
3 RIGOR算法
3.1 概述与设计原理
3.2 数据结构
我们定义了整个流水线中使用的数据结构；附录6.1表2提供了摘要。
3.3 基于嵌入的检索
将所有可用上下文传递给Gen-LLM会超出LLM上下文窗口限制并引入噪声；密集检索仅从每个来源中选择最相关的元素，并且比关键词匹配更好地处理同义词。每个生成步骤使用密集嵌入从三个来源——核心本体、文档和外部仓库——进行检索。
3.4 提示构建与生成
提示还施加了输出结构约束以减少建模错误：类型一致性（没有URI同时被声明为对象属性和数据属性）、每个属性恰好一个rdfs:domain和一个rdfs:range、数据属性范围使用标准XSD数据类型，以及除非有明确理由，否则禁止自反对象属性。完整提示模板见附录6.3图2。
3.5 验证与精炼
LLM生成的本体片段可能包含提示约束和Gen-LLM自一致性都无法防止的建模错误。每个增量本体ΔOrΔOr在集成到核心本体之前（图1-(h)）经历两个验证阶段：评判LLM和确定性图验证。
评判LLM评估。评判LLM根据14个标准评估ΔOr，这些标准分为3个严重级别，基于既定的本体质量框架[58]、OOPS!陷阱目录[45]和OWL2DL规范[59]。完整提示模板见附录6.3图3。评判LLM返回三个决定之一：Approved（按原样接受）、Approved_With_Corrections（接受并附带修正后的片段）或Rejected（严重违规需要重新生成）。
确定性图验证。在将接受的片段解析为RDF图之后，一个基于规则的验证器检查类型一致性（没有URI同时被声明为对象属性和数据属性）、域/范围基数、仅XSD数据类型范围以及完整的模式覆盖。
重试机制。任一阶段的失败都会连同已识别的问题作为修正指令返回给Gen-LLM。此循环重复最多k=2次尝试；如果仍然被拒绝，评判LLM在其修正片段和直接映射DMr中选择最佳候选。该循环在算法1第10-21行形式化。我们设置k=2，遵循LLM自我精炼文献[33,52]的证据，该证据表明纠正性反馈在超过两次迭代后收益递减。
3.6 增量本体合并
4 实验
4.1 评估数据库
关系数据库模式。我们在两个医学数据库和一个音乐领域数据库上进行评估，它们在来源、大小和模式复杂性上各不相同。
肝癌数据库是一个肝癌登记库，包含16个表、350列和15个外键约束。由于该数据库不公开，它防止了LLM测试数据泄露[41]。
eICU-CRD [44]（eICU协作研究数据库）建模重症监护病房入院情况（31个表、559列、30个外键约束），可通过PhysioNet [17]获取。
这两个数据库互为补充：肝癌登记库具有紧凑的专业模式，带有领域特定的编码值（例如，ECOG评分），而eICU-CRD具有广泛的通用ICU模式，包含许多表和一个广泛的外键结构。
为了进一步评估医学之外的跨领域泛化能力，我们使用Chinook数据库[49]，它建模一个数字音乐商店，包含艺术家、专辑、曲目、播放列表、客户、发票和员工（11个表、67列和11个外键约束）。
它们共同测试RIGOR是否能泛化到不同的模式大小、复杂性和领域特异性。
4.2 能力问题生成
我们使用能力问题作为事后评估工具。我们提示一个LLM使用思维链提示[62]为数据库模式中的每个表生成五个能力问题；每个问题都是一个自然语言问题，配有一个解释本体如何解决它的答案。生成的能力问题由领域专家验证。
4.3 外部本体仓库
对于生物医学数据库，我们根据领域专家的推荐从BioPortal<sup>4</sup>中选择了四个本体，选择它们是为了覆盖评估数据库中所代表临床领域的互补方面：疾病分类（ICD-10）、疾病语义（人类疾病本体）、细胞生物学（细胞本体）和营养学（营养研究本体）。对于Chinook数据库，我们使用音乐本体<sup>5</sup>、表演音乐本体<sup>6</sup>和DOREMUS本体<sup>7</sup>。统计数据见附录6.2表4。
4.4 实验设置
数据库文档。我们使用GPT-4o生成数据库实体的自然语言描述，并由领域专家审查。
大型语言模型。
生成。我们使用了来自不同家族的三个LLM，均通过OpenRouter API<sup>8</sup>访问：Claude-Opus-4.6（Anthropic）<sup>9</sup>、Mistral-Small-24B-Instruct<sup>10</sup>和DeepSeek-V3<sup>11</sup>。每个模型在所有三种基于LLM的方法（第4.5节）中用作生成模型。在RIGOR中，相同的模型还充当评判LLM。
评估。能力问题使用Mistral-Small-24B-Instruct<sup>10</sup>生成（第4.2节）。由LLM即评判者（第4.6节策略6）执行的评估使用了GPT-5.4<sup>12</sup>（OpenAI），这是一个独立的模型家族，以消除自我评估偏差。
计算资源和成本。本体生成在一个带有两个NVIDIA A100 GPU的HPC节点上运行。按数据库和模型划分的生成运行时间、API请求、令牌使用量和成本见附录6.4表15。
4.5 本体生成方法
我们在一个受控光谱中比较四种方法，每种方法在前一种方法的基础上增加一种能力（附录6.2表3）。
(i) W3C直接映射 [51]：在整个关系到本体文献[42]中使用的标准确定性基线。它在没有任何LLM参与的情况下将模式转换为OWL，建立了仅靠结构翻译所能达到的下限（第3.2节）。由于Sequeda等人[51]形式化地定义了直接映射而没有提供可重用的实现，我们根据其映射规范实现了该基线。
(ii) 基线 [34]：Mateiu等人[34]提出的基于LLM的本体生成方法，最初用于从自然语言生成本体，此处改编用于数据库模式。由于没有提供实现，我们从论文的提示和方法描述中重现了该方法，将自然语言输入替换为表模式。LLM在零样本设置中仅接收表模式——没有检索到的上下文，没有验证——隔离了LLM参数化知识的贡献。完整提示见附录6.3图4。
(iii) 非迭代：扩展基线(ii)，包括完整的模式上下文、FAISS检索的文档和外部本体概念。这代表了当前基于RAG的本体生成实践状态[21]，并隔离了检索增强相对于迭代精炼的效果。完整提示见附录6.3图5。
(iv) RIGOR：完整流水线，从空的核心本体（O0=∅）开始，添加直接映射作为生成种子，扩展中的核心本体作为跨表上下文，以及带有有限重试的评判LLM验证（算法1）。这测试了迭代丰富和验证是否产生超出仅检索的收益。
4.6 评估策略
我们采用八种互补的评估技术：
语法有效性检查：使用RDFLib检查每个本体是否符合OWL2DL。
逻辑一致性检查：使用HermiT推理器[16]验证逻辑一致性。
建模陷阱：我们使用OOPS! [45]检测生成本体中的常见建模陷阱，与先前工作[29]一致。OOPS!扫描41个陷阱（P01-P41），并根据其对本体质量的影响将每个发现分类为关键、重要或次要。
结构分析：我们使用Ontometrics [32]报告每个本体的类、对象属性和数据属性、公理、注释和出处断言的数量。
语义覆盖：为了了解源模式中有多少被表示在本体中，我们使用all-MiniLM-L6-v2嵌入模式表和列名以及本体类和属性名。如果至少一个本体元素超过0.55的余弦相似度阈值，则认为模式表或列被覆盖，该阈值是经验调整的，与先前工作[14,12]一致。
通过能力问题表现评估本体质量：我们使用GPT-5.4作为LLM即评判者（第2.2节），以能力问题（第4.2节）作为表级评估锚点，指定每个本体应捕获的领域知识。对于每个表，我们比较四个匿名化的本体片段（对应第4.5节中的四种方法）。每个片段包含匹配的owl:Class、其属性、注释和范围。评判者接收这些片段、表模式和每个表五个能力问题（肝癌80个，eICU-CRD 155个，Chinook 55个），然后将片段排名为第1至第4名，并根据既定的本体质量框架[44,58,53]在七个0-5分维度上对每个进行评分：准确性、完整性、简洁性、适应性、清晰性、一致性和领域丰富性。分数在表上平均；评分质量维度的定义和完整提示见附录6.3图7。
专家评估：十位本体工程和知识表示领域的专家（简介见附录6.4图8）通过结构化调查评估了两个医学数据库的本体质量，每个数据库评估两个表。我们选择了在所有四个本体中都出现且涵盖不同建模挑战的表：general_aftercare（肝癌；具有多个外键的临床随访）、complication（肝癌；编码严重程度等级和过程部分-整体关系）、hospital（eICU-CRD；紧凑的管理实体）和patient（eICU-CRD；被大多数表引用的密集连接实体）。专家们收到了表模式、5个能力问题和四个匿名化的本体片段（直接映射[51]和三个由Claude生成的基于LLM的本体，标记为A-D）。他们在与策略6相同的七个维度上对每个进行评分（0-5分制），并将片段排名为第1至第4名。评分者间一致性使用Kendall's W [24]测量，它量化了多个评分者在序数排名上的一致性。
本体学习基准测试：我们使用BURR [27]基准测试将RIGOR与已建立的本体学习系统进行比较。BURR通过将数据库到本体的映射与黄金标准进行比较，测量类（C）、关系（R）和属性（A）的基于映射的F1。我们使用BURR的ISWC数据库，涵盖国际语义网会议领域：会议、论文、人员和主题。该数据库有9个表、46列和11个外键。我们使用Claude生成RIGOR本体，使用GPT-5.4生成文档，并使用SWRC <sup>13</sup>和BIBO <sup>14</sup>作为外部本体。BURR评估映射而非本体结构；因此，我们将RIGOR的prov:wasDerivedFrom注释导出为D2RQ映射[55]。
4.7 结果
我们评估了30个本体：3个LLM × 3种基于LLM的方法 × 3个数据库，加上3个直接映射[51]本体。详细结果见附录6.4表7-11。
策略1-2：语法和一致性。所有30个本体均为有效的OWL2DL（RDFLib）且逻辑一致（HermiT）。
策略3：建模陷阱。OOPS!报告显示，所有RIGOR变体的陷阱数量大幅减少（附录6.4表7）。在eICU-CRD上，直接映射[51]产生665个陷阱，每个基线[34]本体超过400个；RIGOR对Claude和Mistral将此数量减少到个位数，对DeepSeek减少到26个。在肝癌数据库和Chinook上，类似模式成立：RIGOR始终比所有其他方法产生少一到两个数量级的陷阱，所有三个RIGOR变体在Chinook上均达到零陷阱。这种减少不仅仅是后处理效果：虽然一些基线陷阱（例如，缺少域/范围声明，P11）可以机械修复，但此类修复不提供有意义的标签、出处或类层次结构。
策略4：结构分析。RIGOR是唯一一种始终产生注释断言、出处三元组和SubClassOf公理的方法（附录6.4表8）。直接映射[51]和基线方法[34]均不产生这些；非迭代方法在某些配置中产生注释，但从不产生出处或类层次结构。RIGOR也是唯一一种生成owl:disjointWith公理的方法（在Chinook上使用Mistral生成13个），这是一项即使对专用方法[56]也特别具有挑战性的任务；没有其他方法产生任何不相交公理。
策略5：语义覆盖。RIGOR在添加策略4中报告的结构的同时保持高模式覆盖率（附录6.4表9）。在所有数据库中，RIGOR变体覆盖所有表；跨数据库和模型的列覆盖率在0.77到1.00之间。直接映射[51]通过构造达到相当的列覆盖率，但没有注释、出处或子类公理。非迭代方法尽管检索相同的上下文，但列覆盖率较低，证实了单次生成会遗漏许多模式属性。
策略6和7：能力问题和专家评估。表1报告了来自两个互补评估者的质量分数和排名频率：一个LLM即评判者（GPT-5.4）在所有表上，以及十位人类专家在医学数据库的四个代表性表上。RIGOR在LLM即评判者评估的所有三个数据库上均排名第一，并在两个医学数据库的专家排名中领先。最大的改进出现在清晰性和领域丰富性上，其中注释、值文档和类层次结构直接受益（附录6.4表10，11）。非迭代方法在eICU-CRD上表现最差，LLM即评判者在所有31个表上将其排在最后，证实了仅凭检索到的上下文，没有模式基础和验证，是不够的。如附录6.4表12所示，十位专家在所有四个评估表的排名上显示出显著一致性，Kendall's W 范围从0.39（中等一致性）到0.72（强一致性）。RIGOR在40次专家评估中的28次（70%）中被排名第一。
策略8：本体学习基准测试。在BURR [27]的ISWC数据库上，RIGOR在生成本体的系统中取得了最高的类F1（0.73）、关系F1（0.67）和属性F1（0.52）。Laskowski等人[27]得出结论，当前基于LLM的方法在映射恢复方面不如基于规则的系统；RIGOR通过将LLM生成与基于模式的出处相结合，逆转了这一发现，作为语义丰富本体构建的副产品，实现了有竞争力的映射分数。
表1：本体质量：直接映射[51]和三种基于LLM生成的本体的平均分数（0-5分，七个质量维度平均）和排名频率。LLM即评判者（GPT-5.4）在所有解析的表上。专家：10位人类专家在来自两个医学数据库的四个代表性表上。排名第1：计数/总数。
LLM即评判者排名第1的分母分别是16个肝癌表、31个eICU-CRD表和11个Chinook表。专家评估的分母是每个医学数据集20次评估。
4.8 消融研究
为了隔离每个检索来源的贡献，我们使用Claude在Chinook上对RIGOR进行了消融。检索来源为：（1）关系模式和核心本体上下文，（2）外部领域本体，和（3）文本文档。我们评估五种变体：无检索、三种单源变体和启用所有源的完整RIGOR。所有变体保留确定性直接映射；只有检索到的上下文不同。我们使用本体类/属性作为候选，资源元素作为参考，评估生成本体与每个检索资源的对齐情况：模式表/列名、外部本体类/属性标签和文档句子。两边都使用all-MiniLM-L6-v2嵌入；当余弦相似度至少为0.55时计为匹配，我们报告精确度、召回率和F1。结果见表14，显示所有变体的模式对齐几乎饱和，因为直接映射的主干已经保留了表和列名。完整RIGOR实现了最高的外部本体召回率和F1，以及三个资源的最高平均召回率和F1，表明最强的跨源对齐。单源变体提供有针对性的增益，例如，仅文档在文档F1上最高，但完整RIGOR在模式、外部本体和文档之间提供了最佳的整体平衡。
5 结论
我们提出了RIGOR，一个迭代的RAG流水线，用于将关系模式转换为OWL2DL本体。直接映射保证模式覆盖；Gen-LLM使用不断增长的核心本体、检索到的文档和外部本体对其进行丰富；评判LLM在集成前验证每个增量本体。在三个数据库和两个领域的实验表明，RIGOR始终优于所有竞争方法，这一点得到了LLM即评判者、10位人类专家和BURR基准测试的证实。
局限性和未来工作。列覆盖率在0.77到1.00之间，表明在丰富过程中可能会遗漏一些模式属性。残留的建模陷阱（例如，P19）反映了评判LLM未能捕获Gen-LLM错误的情况；通过代理工具调用将来自OOPS!等验证器的基于工具的反馈集成到生成循环中是一个有前景的方向。RIGOR通过设计操作于模式和文档，确保跨部署的可移植性；然而，当文档不可用时，实例级信号（基数、值分布、隐式键发现）可以帮助消除神秘列的歧义。将Gen-LLM与符号推理器结合可能会改善不相交公理[56]。
