基于大语言模型的本体富集方法：融合词汇、语义和知识网络相似性的概念定位技术

本研究针对传统本体富化过程中人工依赖度高、效率低下的问题，创新性地提出结合GPT-4-1201大语言模型与多维度相似性分析的自动化流程。研究人员通过提示链技术从PubMed摘要提取语义三元组，并综合词汇（Jaccard/Levenshtein/LCS）、语义（PubMedBERT嵌入）及知识网络（UMLS）相似性筛选概念，成功将SDoH本体SOHOv1从173个概念扩展至572个，经专家评估Fleiss' κ达0.64。该研究为生物医学领域本体自动化构建提供了可推广的方法论框架。

　　

在生物医学知识爆炸式增长的今天，如何让领域本体像"活体组织"一样持续进化，成为困扰研究者的难题。传统本体扩展高度依赖专家手动添加概念，犹如用绣花针缝制知识网络——不仅效率低下，还容易遗漏新兴术语。以社会健康决定因素(SDoH)领域为例，仅过去四年PubMed相关文献就激增11,437篇，而人工构建的SOHOv1本体仅涵盖173个基础概念，这种"知识赤字"严重制约了健康公平研究的精准性。

为解决这一瓶颈，国外研究团队开发了一套革命性的本体富集管道。该研究创新性地将GPT-4-1201大语言模型作为"知识挖掘机"，通过四步提示链技术从41,339篇PubMed摘要中提取384,901个语义三元组。面对海量候选概念，研究者设计了三级过滤系统：先用复合词汇相似度（融合Jaccard/Levenshtein/LCS算法）筛选表面相似概念；再通过PubMedBERT模型计算语义向量相似度；最后借助UMLS知识网络寻找深层关联概念。这种"由浅入深"的筛选策略，犹如为本体安装了三重精密过滤器。

研究结果展现出显著优势：

1. 语义三元组提取：GPT-4-1201平均每篇摘要生成14个三元组，经去重后获得139,576个高质量候选概念，远超SemMedDB的覆盖范围。
2. 概念富集效果：SOHOv1本体规模扩大230%，新增399个概念中57%通过UMLS知识网络匹配发现，验证了多源知识融合的价值。
3. 质量验证：人类专家对100个随机三元组的评估显示Fleiss' κ达0.64，HermiT推理器确认本体逻辑一致性，证明自动化流程的可靠性。

这项发表于《Journal of Biomedical Informatics》的研究，其突破性在于建立了首个结合LLM与多维相似性分析的本体自动化扩展框架。相比传统方法，该管道不仅能捕捉"经济不稳定"等显性关联，还能发现"家庭拥挤→院内服务"等隐性联系。研究者特别指出，采用自底向上的遍历策略有效避免了复杂继承关系导致的逻辑冲突，这为其他领域本体建设提供了重要启示。

未来，该团队计划将管道拓展至多模态数据整合和动态阈值优化，并探索在电信标准等非医学领域的应用。这项研究犹如为知识工程领域装上了"智能引擎"，使本体能够伴随文献增长自动进化，为精准医学、健康政策制定等提供了更强大的知识基础设施。