自动分类学构建是人工智能的一个子领域，专注于从非结构化或半结构化数据中自动创建层级分类系统，即分类法。其目标是将一组概念或实体组织成树状结构，其中父子关系表示从广义到狭义的类别。这一过程减少了传统上构建和维护知识组织系统所需的人工努力，在信息快速演变的领域（如电子商务、生物学和企业文档管理）中尤为有价值。
该领域源于早期知识表示和信息检索的研究，但随着机器学习和深度学习技术的出现而获得了显著发展。现代方法通常利用大型语言模型和神经网络来提取概念、识别语义关系，并将新条目置入现有层级中。自动分类学构建与本体学习密切相关，但特别关注层级“是一种”关系，而非更广泛的语义公理。
核心任务与方法
自动分类学构建通常涉及多个子任务：术语提取、上位词检测和层级归纳。术语提取从文本中识别候选概念，通常使用统计度量（如词频-逆文档频率）或更近期的神经序列标注。上位词检测确定一个术语是否为另一个术语的广义类别（例如，“狗”是“贵宾犬”的上位词），这是层级结构的基本构建块。
层级归纳随后将这些成对关系组装成连贯的树或有向无环图。早期方法依赖基于模式的规则，如“X 如 Y”或“X 是一种 Y”的词汇句法模式。后来，分布语义学和词嵌入使模型能够从向量空间几何推断上下位关系。更近期的工作使用基于Transformer的架构，包括编码器-解码器模型，以端到端方式生成或细化分类法。
机器学习和深度学习的作用
自2000年代以来，机器学习一直是自动分类学构建的核心。监督方法在标注的上下位词对上训练分类器，而无监督方法则基于分布相似性对术语进行聚类。残差网络和批归一化的引入改进了更深层模型的训练，实现了更细致的语义表示。Dropout和层归一化成为防止过拟合和稳定训练的标准技术。
随着大型语言模型的兴起，例如由OpenAI、Anthropic和Google DeepMind开发的模型，该领域已转向基于提示和微调的方法。这些模型可以执行零样本或少样本分类学构建，即从少量示例中推断层级关系。诸如RLHF（基于人类反馈的强化学习）和课程学习等技术已被改编以提高生成分类法的质量。
评估与挑战
评估自动构建的分类法并非易事。常见度量包括与黄金标准分类法相比的精确率和召回率，以及结构度量（如树编辑距离或父子对的F1分数）。然而，黄金标准通常是领域特定的，可能无法反映有效层级的多样性。研究人员还使用人工评估，由标注者判断关系的合理性。
一个主要挑战是处理歧义术语和多义词。例如，“银行”可以指金融机构或河岸，正确的上位词取决于上下文。另一个挑战是可扩展性：大型电子商务平台中的分类法可能包含数百万个节点，需要高效算法和分布式计算。诸如模型剪枝和数据增强等技术有助于管理计算成本并提高鲁棒性。
应用与未来方向
自动分类学构建在Amazon Web Services产品分类、Google Cloud知识图谱和Microsoft Azure企业搜索中具有实际应用。它还支持Waymo自动驾驶车辆场景理解和Tesla Autopilot物体分类。在生物医学领域，它有助于组织基因本体和疾病分类。
未来研究正在探索使用多头注意力机制来捕获文本中的长距离依赖，以及交叉注意力来跨语言对齐分类法。此外，人们对能够随时间演变以应对新概念出现的动态分类法兴趣日益增长。截至2025年，生成式AI与人在回路验证的整合被视为平衡自动化与准确性的有前景方向。