文章所謂的端到端本體學習，指的是從輸入到目標本體這個完整過程。在很多其他文章中，是把本體學習這個任務肢解了來做的，同樣也是肢解了之后評估。

文章號稱的貢獻，不但對通用本體學習提供所謂的baseline，而且還給出了驗證度量。其中，evaluation metric是一個一直沒有統一的東西，但這個文章比較新，在可做的前提下，采納他的度量是可以的。

文章提新的度量指標是Literal F1，Fuzzy F1，Continuous F1，Graph F1和Motif distance等。但從解釋部分可以看到，仍然是需要一個類似金標準（gloden?standard）的本體來比對，文章中叫做“ground truth ontology”。

表中有所謂的基線方法，這些都是不面向特定領域的方法，另外，比較也得在具體的數據集上比較，如果我也想和這些方法比，肯定是要對數據集去做一套效果數據出來，并不好弄。

本體的評價有眾多指標和方法，總有適合的，值得深思。