随着大语言模型技术向语义网、知识图谱等领域渗透，基于能力问题（Competency Questions, CQs）自动生成本体的技术路线，正在成为降低本体构建门槛、加快垂直领域知识语义化建模的核心方向。但长期以来，该领域研究缺乏统一的跨领域评估基准，不同团队的算法效果难以横向对比，成为制约技术规模化落地的重要瓶颈。
作为全球深耕本体工程、语义网技术研究的顶尖学术团队，Ontology Engineering Group本次发布的CQ2Onto，正是针对这一行业痛点推出的专用基准数据集，也是全球首个同时覆盖术语提取、完整本体生成两类任务的多领域评估资源。
CQ2Onto定位为评估大语言模型（LLM）辅助下能力问题生成本体效果的基准数据集，共覆盖Wine、AWO、ODRL、Water、VGO、SWO六个不同规模的垂直领域。针对每个领域，数据集均配套了黄金标准的OWL本体、对应两类评估任务的CQ文件，以及完整构建过程中的注释表格，确保评估结果的可追溯性与客观性。
该数据集设置两大核心评估任务：其一为CQ2Term任务，要求算法针对给定的单个能力问题，提取所有对应的类与属性，对应术语提取类技术的评估需求；其二为CQ2Onto任务，要求算法针对给定的一组能力问题，生成完整的OWL格式本体，对应本体自动生成类技术的评估需求。数据集文件包含JSON格式的CQ列表、RDF/XML格式的OWL本体文件，可直接适配主流大模型训练与评估框架，适配本体工程、本体生成、术语提取等多类任务的研究与测试需求。
从应用价值来看，CQ2Onto可在多个场景释放潜在价值：科研院所可依托该数据集统一比对不同大模型、不同算法在本体生成任务上的表现，降低自定义数据集的研发成本；企业级知识图谱团队可参考该数据集的任务框架，训练面向制造、医疗、金融等垂直领域的专用本体生成工具，加快内部知识资产的语义化治理进程；语义搜索、智能客服等领域的技术团队，也可借助CQ2Term任务基准测试术语提取算法的准确率，优化专业领域的语义理解效果。
当前全球数据要素市场建设正进入深水区，跨机构、跨领域的数据流通共享对语义互操作能力提出了更高要求，而标准化、高质量的本体正是实现语义互操作的核心底座。CQ2Onto这类基准资源的发布，将进一步推动大语言模型与本体工程技术的融合创新，为知识资产化、数据语义化治理等数字经济核心场景提供底层技术支撑。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)