知识卡片：OntoAligner-Ensemble：跨异构本体对齐技术的投票式融合

英文标题：OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques

英文关键词：Ontology Alignment; Ensemble Learning; Voting Fusion; Large Language Models; Knowledge Graph Embedding

一句话结论

OntoAligner-Ensemble 提出一种模块化、与具体对齐器无关的本体对齐集成框架，通过基于投票的融合和融合后选择策略来整合异构对齐器的候选对应关系，实验表明集成融合能持续改善精确率与召回率的平衡，并经常优于单个对齐器。

事件概述或研究问题

本体对齐（Ontology Alignment, OA）已经历多种方法论范式：从词汇和结构对齐器，到知识图谱嵌入（KGE）模型，再到基于大语言模型（LLM）的方法。现代 OA 框架虽然能为这些异构对齐器提供统一部署生态，但如何系统性地协调它们互补甚至冲突的预测结果，仍相对缺乏探索。本文针对这一问题提出 OntoAligner-Ensemble 框架。

方法/产品要点

• 模块化、对齐器无关：支持 OntoAligner 中任何能产生候选对应关系的对齐器。
• 两阶段流程：先采用基于投票的融合策略（voting-based fusion），再进行融合后选择策略（post-fusion selection）。具体投票算子和选择策略的细节在摘要中未展开，待核实。
• 实例化组成：使用轻量级字符串对齐器、基于知识图谱嵌入（KGE）的对齐器，以及由开源权重和 API 驱动的检索增强生成（RAG）式 LLM 对齐器。

主要结果或产业意义

• 在来自 5 个 OAEI 轨道的 8 个基准任务上评估，覆盖从生物医学到超越等价（beyond-equivalence）等场景。
• 集成融合持续改善精确率与召回率的平衡，并经常优于单独运行的异构对齐器。
• 集成组成直接影响精确率-召回率权衡：异质跨范式集成通常提升精确率，而同质 LLM 集成更容易获得更高的整体 F1 分数。
• 本文为不同本体对齐场景下如何选择集成组成提供了实践指导。

为什么重要

本体对齐是知识图谱集成与语义互操作中的关键环节。本文把集成学习系统性地引入 OA 流程，为如何“融合异构对齐器的互补信号”提供了一种可复现、与对齐器无关的通用策略，弥补了现代 OA 框架中在统一决策层面的空白。与已有相关卡片聚焦医学影像或动作识别不同，本条关注的是知识工程任务中的对齐器集成方法。

局限与不确定性

• 摘要未提供两阶段流程中具体的投票策略、选择策略和超参数设置，待核实。
• 未列出 8 个基准任务的具体名称、数据集规模以及与其他最新方法的完整对比，待核实。
• 框架目前依赖 OntoAligner 生态，是否可直接适用于其他 OA 管线，待核实。

可用于图书/PPT/简报的角度

• 本体对齐方法论的演进：从字符串匹配到 KGE，再到 LLM 与 RAG。
• 集成学习在知识图谱融合中的价值：如何平衡精确率与召回率。
• 异质集成 vs 同质 LLM 集成的不同行为特征。
• 以 OntoAligner-Ensemble 为例，展示可复现的投票式对齐融合框架。

原始材料

• 标题：OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
• 作者：Hamed Babaei Giglou, Sören Auer, Peio Popov, Mahsa Sanaei, Jennifer D'Souza
• arXiv ID：2608.31137v1
• 发布时间：2026-08-31
• 主要类别：cs.AI
• 摘要链接：https://arxiv.org/abs/2608.31137v1
• PDF 链接：https://arxiv.org/pdf/2608.31137v1