LLMs4OL

用大模型自动构建知识本体，省去手工建模的苦力活

LLMs4OL是一个面向本体学习（Ontology Learning）的开源研究框架，旨在利用大型语言模型（LLMs）从非结构化文本中自动构建和扩展知识本体。它解决了传统本体构建依赖领域专家手工设计、耗时费力且难以扩展的问题。核心能力包括：支持多种本体学习任务（如术语抽取、类型识别、关系抽取、规则挖掘等），提供统一的实验评估流程，并内置了针对不同LLM（如GPT、BERT等）的适配接口。该项目通过系统化地评估LLM在本体学习各子任务上的表现，帮助研究者快速对比不同模型和提示策略的效果，从而推动LLM在知识工程领域的应用。目前项目处于早期阶段，代码结构清晰，适合作为研究基线或二次开发的基础。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 187
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队HamedBabaei
所属国家
官网地址
GitHubhttps://github.com/HamedBabaei/LLMs4OL
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型bert,bloom,chatgpt,flan-t5,gpt-3,gpt-4,knowledge-graph,large-language-models,llama-7b,ontology-learning,transformers
GitHub 星标★ 187
30天Star增速
HF 下载量
上线时间2023-01-06 00:00:00
最近更新2026-09-19 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

核心亮点

  • 统一框架覆盖本体学习全流程，从术语到关系抽取一站搞定
  • 内置多种LLM适配和提示策略，方便横向对比模型效果
  • 提供标准评估流程，实验结果可复现，适合学术研究

不足之处

  • 项目早期，文档和示例尚不完善，上手有一定门槛
  • 依赖外部LLM API或本地模型，运行成本较高

适用场景

  • 学术研究：评估不同LLM在本体学习任务上的能力
  • 知识图谱构建：从领域文本自动抽取概念和关系
  • 企业知识管理：辅助构建和维护领域本体

替代项目

DeepKE、OpenKE、OntoGPT

项目介绍

LLMs4OL 是开源模型领域的开源项目，由 HamedBabaei 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 187。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-19。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：评估不同LLM在本体学习任务上的能力。同类可对比的替代方案包括 DeepKE、OpenKE、OntoGPT。

上一篇：IvyGPT

下一篇：XRec

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10