本體工程一直是知識密集型AI系統的關鍵瓶頸。現有自動化方法要麼依賴預定義模式，要麼侷限於狹窄領域，或者產生非結構化輸出，難以用於下游管道。針對這一問題，來自arXiv的新研究提出了生成式本體歸納（Generative Ontology Induction，GOI），一種領域無關的框架，能夠從文件示例語料庫中歸納出包含實體、維度、屬性、關係和約束的生成藍圖，並將其匯出為型別圖（六種節點型別、七種邊型別），格式為YAML或JSON。
GOI框架的創新之處在於不依賴任何預先定義的模式，而是透過大語言模型從給定領域的文件中自動學習結構。為了評估歸納出的本體質量，作者引入了節點覆蓋率評分（Node Coverage Score，NCS），該指標衡量生成輸出中出現的結構本體節點（類、屬性和維度）的比例。
研究團隊在四個截然不同的本體上進行了受控生成驗證：熟悉的軟體服務發票模式、自定義職位描述本體、保密的疼痛管理臨床就診記錄本體，以及專業服務合同與工作說明書本體。結果顯示，使用GOI提示生成時，每種情況下的結構骨幹覆蓋率均達到95-100%；而使用通用三欄位模板時，在發票模式上覆蓋率為97.8%，但在職位描述本體上降至52.2%，在疼痛管理本體上為62.2%，在專業服務合同本體上為78.3%。關鍵的是，無論文件型別對模型而言熟悉與否，GOI的結構覆蓋率都保持穩定。
該研究為自動化本體構建提供了新的方向，展示了利用大語言模型進行領域無關模式發現的潛力。論文以LNCS格式發表，共10頁，包含2幅圖和1張表格，已被收錄於arXiv，編號2607.16201。該工作由Sergei Sergienko完成，提交於2026年5月1日。GOI不僅解決了現有方法的侷限性，還為知識密集型AI系統提供了可擴充套件的解決方案，有望推動自動化知識工程的發展。