文章主要内容总结
本文提出了一种名为KROMA的新型本体匹配（Ontology Matching, OM）框架，旨在解决现有本体匹配系统依赖手工规则或专用模型、适应性有限的问题。KROMA将大型语言模型（LLMs）与检索增强生成（RAG） pipeline结合，通过动态富集结构、词汇和定义知识的语义上下文来优化本体匹配。
为平衡性能与效率，KROMA集成了基于双相似性的概念匹配和轻量级本体优化步骤，可修剪候选概念并减少LLM调用的通信开销。框架支持离线和在线两种匹配模式：离线模式从零开始构建概念图，在线模式则增量处理新增概念流。实验表明，在多个基准数据集上，KROMA的性能优于经典本体匹配系统和前沿基于LLM的方法，且通信开销可控，验证了知识检索、提示富集和本体优化等技术的有效性。
创新点
- 语义等价关系的形式化定义：提出基于双相似等价关系的语义等价公式，定义了“概念图”结构，并证明存在具有 minimality 和唯一性的最优概念图。
- KROMA框架设计：构建了结合知识检索与LLM的增强框架，通过知识检索获取外部高质量资源，丰富语义上下文，提升LLM的匹配精度。
- 高效的离线与在线匹配算法：离线模式通过双相似等价关系引导快速分组；在线模式增量处理新增概念流，延迟时间短，均为低多项式时间复杂度，且保证概念图的最优性。
- 实验验证与性能提升：在多个基准数据集上，KROMA平均优于现有基于LLM的方法10.95%；知识检索和本体优化分别提升了
