COntExt：面向运营指标的上下文感知本体扩展

arXiv cs.AI 论文
ontology-extension operational-metrics context-aware knowledge-graph research-paper

摘要

COntExt 是一个用于上下文感知本体扩展的框架，它以结构化的运营指标定义作为输入，并建议如何将引用的概念和属性集成到现有本体中。对七个本体的评估表明，与本体上下文基线相比，从指标派生的上下文改善了关系类型预测和数据属性分配。

arXiv:2607.29553v1 公告类型：新 摘要：组织越来越多地以结构化的、机器可读的格式定义运营指标，以监控系统、流程和合规性。这些指标定义隐式地编码了领域知识，例如引用概念、属性和关系，这些往往超出了正式本体所捕获的内容。然而，运营指标目录与本体知识之间的联系仍然是手动的、临时的且劳动密集型的。我们提出了 COntExt，一个上下文感知本体扩展框架，它以结构化指标定义作为输入，并利用这些指标的上下文，建议如何将引用的概念和属性集成到现有本体中。该框架将扩展问题定义为三个子任务：父类预测、关系类型预测和数据属性分配。在四个网络安全本体上，我们评估了每个任务的不同算法。结果表明，对于关系类型预测和数据属性分配，从指标派生的上下文比本体上下文基线提供了更好的建议。我们的工作表明，运营指标目录是本体扩展的一个实用且未被充分利用的来源。这项工作使组织能够以远低于手动工程成本的方式维护其本体。
查看原文
查看缓存全文

缓存时间: 2026/08/03 07:32 

# COntExt：面向基于运营指标的上下文感知本体扩展
Source: https://arxiv.org/html/2607.29553
Hussain Hussain1![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x1.png), Stefan Schöberl2![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x2.png), Angelika Schneider3![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x3.png)and Verena Geist2![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x4.png) 1Know Center Research GmbH, Graz, Austria 2Software Competence Center Hagenberg GmbH, Hagenberg im Mühlkreis, Austria 3Fraunhofer AISEC, Garching bei München, Germany hhussain@know\-center\.at, stefan\.schoeberl@scch\.at, angelika\.schneider@aisec\.fraunhofer\.de, verena\.geist@scch\.at ![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x5.png)https://orcid\.org/0000\-0002\-0959\-623X![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x6.png)https://orcid\.org/0009\-0006\-0245\-3558![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x7.png)https://orcid\.org/0000\-0002\-8962\-3276![[Uncaptioned image]](https://arxiv.org/html/2607.29553v1/x8.png)https://orcid\.org/0000\-0002\-3729\-1265

###### 摘要

组织越来越多地以结构化、机器可读的格式定义运营指标，以监控系统、流程和合规性。这些指标定义隐式地编码了领域知识，例如引用的概念、属性和关系，这些知识往往超出了正式本体所捕获的范围。然而，运营指标目录与本体知识之间的联系仍然是手动的、临时的且劳动密集型的。我们提出 COntExt，一个用于上下文感知本体扩展的框架，它以结构化指标定义为输入，并利用这些指标的上下文，建议如何将引用的概念和属性整合到现有本体中。该框架将扩展问题定义为三个子任务：父类预测、关系类型预测和数据属性分配。在涵盖四个领域的七个本体上，我们评估了每个任务的不同算法。结果表明，在关系类型预测和数据属性分配方面，指标派生的上下文比仅基于本体上下文的基线提供了更好的建议。我们的工作表明，运营指标目录是本体扩展的一个实用且未被充分开发的来源。这项工作使组织能够以远低于手动工程的成本维护其本体。

## 1 引言

动机。††预印本；精简版已被 KEOD 2026 接收。领域本体提供了正式的、共享的概念化，支持跨系统的互操作性、推理和知识重用。然而，在实践中，本体往往落后于它们所代表的领域。新的概念、属性和关系不断涌现，受到不断演变的法规、运营需求和技术变革的驱动 [Zablith et al., 2015 (https://arxiv.org/html/2607.29553#bib.bibx37),Elnagar et al., 2022 (https://arxiv.org/html/2607.29553#bib.bibx10)]。本体工程师必须手动识别这些差距并扩展本体，这个过程既需要领域专业知识，也需要知识工程技能。与此同时，许多组织已经在一种并行的、不太正式的制品中捕获了大量领域知识：结构化指标定义 [Van Looy and Shafagatova, 2016 (https://arxiv.org/html/2607.29553#bib.bibx34),Yu et al., 2026 (https://arxiv.org/html/2607.29553#bib.bibx36)]。指标定义以半结构化的人类可读形式表达，代表了自然语言文本与正式本体之间的重要中间制品。例如，一个网络安全团队可能会维护数百个基于 YAML 的指标定义，这些定义引用威胁类型、系统组件、合规属性及其关系，并且通常使用与组织领域本体高度相似的术语。然而，从本体维护的角度来看，这些隐式知识目前被丢弃了。

图 1：COntExt 框架示意图。该图展示了 COntExt 的输入，由本体模型和 .yaml 格式的运营指标文件表示。指标解析器识别概念（类和属性）的提及。识别出的概念随后传递给 COntExt，COntExt 执行相应任务：1) 预测识别出的类的父类，2) 预测一对类之间的关系类型，3) 预测拥有所提及属性的类。COntExt 的输出可用于更新本体。示例指标（见 [清单 1](https://

相似文章

OctoLong：跨仓库代码上下文的中间训练增强长上下文建模

arXiv cs.AI

引入了OctoLong，一个用于整理依赖丰富的跨仓库代码上下文的上下文工程流水线，以及OctoLong-Instruct，一套基于该数据训练的长上下文开放语言模型。实验表明，用OctoLong数据替换12%的传统长上下文语料，在长距离检索、状态跟踪、仓库级代码理解和智能体任务上带来了显著提升。

MoCA：隐式社会情境分析

arXiv cs.CL

介绍了 MoCA（隐式社会情境分析），这是一个新的任务和基准，用于在情感、意图和立场三个维度上建模隐式社会场景，并提出了冲突驱动溯因推理（CoDAR）框架。实验表明，最先进的多模态大语言模型在此任务上表现困难，而 CoDAR 能提升性能，但仍与人类推理存在较大差距。

上下文归因如何处理模型已知的知识

arXiv cs.CL

本文介绍了一个评估协议，包含四个新指标和一个基准数据集，用于评估LLM的上下文归因方法，并表明当上下文与训练数据重叠时这些方法会失败。