NIPS2024论文 End-to-End Ontology Learning with Large Language Models

文章所谓的端到端本体学习，指的是从输入到目标本体这个完整过程。在很多其他文章中，是把本体学习这个任务肢解了来做的，同样也是肢解了之后评估。

文章号称的贡献，不但对通用本体学习提供所谓的baseline，而且还给出了验证度量。其中，evaluation metric是一个一直没有统一的东西，但这个文章比较新，在可做的前提下，采纳他的度量是可以的。

文章提新的度量指标是Literal F1，Fuzzy F1，Continuous F1，Graph F1和Motif distance等。但从解释部分可以看到，仍然是需要一个类似金标准（gloden standard）的本体来比对，文章中叫做“ground truth ontology”。

表中有所谓的基线方法，这些都是不面向特定领域的方法，另外，比较也得在具体的数据集上比较，如果我也想和这些方法比，肯定是要对数据集去做一套效果数据出来，并不好弄。

本体的评价有众多指标和方法，总有适合的，值得深思。