实体
Hamed Babaei Giglou
Hamed Babaei Giglou
PulseAugur coverage of Hamed Babaei Giglou — every cluster mentioning Hamed Babaei Giglou across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架融合多种技术以改进本体对齐
研究人员开发了OntoAligner-Ensemble，一个旨在通过结合各种技术的预测来改进本体对齐的框架。该集成方法采用两阶段的投票式融合和融合后选择过程来协调不同的对齐器输出。该框架支持集成轻量级字符串对齐器、知识图谱嵌入模型和基于大型语言模型的方法，在多个基准任务中展示了精确率和召回率的一致性提升。
-
研究了Qwen和GPT模型在本体学习中大型语言模型规模的影响
一篇新发表在arXiv上的研究调查了大型语言模型（LLM）规模对本体学习性能的影响。研究人员使用OntoLearner管道，在生物医学和材料科学领域评估了包括Qwen3.5和Qwen3.6系列变体在内的13个模型。研究结果表明，虽然增加密集模型的参数量通常会提高精度，但规模的影响在所有任务和领域并非普遍适用。值得注意的是，在术语类型化方面，27B密集模型优于更大的稀疏模型，而在分类发现方面，混合专家模型表现出更强的结果。
-
新的OntoLearner库将本体学习与LLM统一起来
研究人员开发了OntoLearner，一个新推出的Python库，旨在利用大型语言模型从文本中简化本体学习。该框架通过提供一个统一的基础设施来访问22个领域中的180个机器可读本体，以及标准化的基准测试工具，从而解决了本体学习研究中的碎片化问题。使用OntoLearner进行的广泛实证研究表明，本体学习中的主要挑战不在于模型的复杂性，而在于模型表示知识的方式与本体组织知识的方式之间的结构不匹配。