《AUTOMATION IN CONSTRUCTION》：Enabling infrastructure subsystems integration via agentic ontology engineering
编辑推荐：
针对土木基础设施“系统之系统”中普遍存在的数据库孤岛与语义异构问题，研究人员提出一种自适应智能体驱动本体工程（Agentic Ontology Engineering, AOE）方法，用于从异构关系型数据库模式中自动构建组织内一致的资产本体。该方法依托基础形式
针对土木基础设施“系统之系统”中普遍存在的数据库孤岛与语义异构问题，研究人员提出一种自适应智能体驱动本体工程（Agentic Ontology Engineering, AOE）方法，用于从异构关系型数据库模式中自动构建组织内一致的资产本体。该方法依托基础形式本体（Basic Formal Ontology, BFO）作为顶层语义框架，利用大语言模型（Large Language Model, LLM）智能体从单个基础设施资产管理系统（Infrastructure Asset Management System, IAMS）中抽取实体、层级、对象属性与逻辑约束，再通过层级冲突消解、实体—关系双向校验完成系统内语义修正，并最终跨系统对齐概念，生成兼容OWL（Web Ontology Language）的本体与RDF（Resource Description Framework）知识图谱。在英国国家公路机构四类真实IAMS模式上的实验表明，该方法在类别与关系抽取上分别达到90.91%与83.18%的准确率，且较基线显著减少逻辑约束违例，为资产数据互操作、数字孪生（Digital Twin, DT）与跨子系统协同决策提供了可扩展的语义基础。
研究背景与问题提出
土木基础设施由道路、桥梁、隧道、排水、照明等高度耦合的子系统构成，任一环节失效均可能引发网络级连锁影响。基础设施资产管理（Infrastructure Asset Management, IAM）依赖全生命周期数据支撑干预决策，但现实中长期存在部门级软件孤岛：关系型数据库（Relational Database Management System, RDBMS）仅以表结构隐式编码语义，缺乏统一词表与逻辑约束；相同概念在不同系统中字段名、编码与粒度不一，导致语义歧义、冗余存储与检索困难。现有领域本体（如CityGML、IFC）偏重通用概念，难以适配特定业主—运营组织的业务流程；传统自底向上本体构建又高度依赖人工，面对上千张表成本极高。既有自动化方法多为规则映射或文本挖掘，少有直接从资产数据库模式中学习组织自适应本体者。
研究人员开展的工作与结论
研究人员提出一种多智能体大语言模型框架AOE，将本体构建分解为三阶段九智能体协同流程：先从单系统抽取类与关系，再做系统内冲突校正，最后跨系统对齐并生成OWL本体。以BFO为上层本体，将实体归为持续体（continuant）与发生体（occurrent）等类别，并复用17类基础关系。实验基于英国公路机构Confirm、DDMS、NMMS、NTIS四套异构IAMS模式及官方企业本体NHO作为基准。结果显示：类抽取准确率90.91%，关系抽取准确率83.18%，多智能体架构较单智能体显著降低域—范围约束违例，生成本体一致性可通过OWL推理机验证。该工作表明，LLM智能体能够以较低专家介入从真实数据库模式中学习出可扩展、一致、组织专用的IAM本体，为遗留系统图谱化与数字孪生落地提供基础。
关键技术方法
研究人员采用基于提示工程的多智能体协作架构，核心方法包括：以BFO作为顶层本体锚定语义分类；通过Chain-of-Thought（CoT）提示引导实体建模智能体按主题聚类表并生成类；借助图连通性检测（1-hop/2-hop外键关联）辅助关系发现；设计层级评审、实体评审与关系评审智能体，结合RDFS（RDF Schema）约束检查工具进行双向纠错；跨系统阶段由实体对齐智能体合并同义概念并链式修正关系，继而生成子类关系与父类细化。样本来源于英国国家公路机构四类真实IAMS数据库模式文档与NHO企业本体，未使用实例级数据，仅基于模式级元数据（表名、主键外键、描述、参照表）。
研究结果
知识抽取与单系统建模
通过Entity Modeller将表按业务主题聚为类，遵循“对象/过程优先、排除纯系统表、控制层级深度”的建模模式，并以参数γ控制信息保留比例；Relation Modeller结合图算法与BFO关系输出类间三元组及OWL存在约束。
系统内语义校正
Hierarchy Reviewer识别同一父类的多轴分类冲突，将功能分类保留为子类、其余改为依赖持续体并通过“depends on by”关联；Entity Reviewer与Relation Reviewer基于RDFS域—范围不一致报告做双向修订，降低逻辑违例。
跨系统知识集成
Entity Aligner按BFO类型合并多系统实体，处理同名异类问题并联动关系修复；Sub-relation Modeller在BFO关系下生成具体子关系，经迭代评审消除父子属性冲突；Parent Class Modeller补充领域细分类。最终输出一致OWL本体，可承载SPARQL查询与图数据库建模。
讨论与结论翻译
讨论指出，该方法首次将LLM多智能体用于跨IAMS子系统本体自动构建，兼顾知识建模与冲突检查，生成的本体可帮助内外部干系人理解组织数据资产及其跨系统关联，并为遗留数据治理、命名规范统一与数字孪生图结构提供底座。局限在于仅在单一组织四套模式上初验，未来可拓展至更多资产域与实例层填充。
研究结论如下：智能体驱动本体工程能够自适应地从异构基础设施数据库模式中学习任务内与跨系统语义，自动产出逻辑一致、可扩展的OWL本体；相比规则与传统NLP方法，其在复杂IAM场景下更具语义广度与工程可维护性，对打破数据孤岛、支撑集成化资产决策具有明确应用价值。
论文解读与评审框架已经成形，接下来可以选择一个方向继续深化：
按期刊标准撰写结构化审稿意见 对比AOE与现有本体构建方法 按期刊标准撰写结构化审稿意见 对比AOE与现有本体构建方法
