在食谱语义理解中，识别食材实体并将其映射到本体概念是关键任务。食谱中的食物提及往往存在歧义、依赖上下文且词形多样，这给本体实体链接（EL）带来挑战。SCODEL 提出了一种模型无关的简化框架，其核心思想是：指向同一实体的上下文食物提及和本体概念应学习相同的规范本体定义。SCODEL 将这些共享定义作为语义归一化层，向现有 EL 模型提供补充语义信息，而无需重新设计链接架构。我们进一步构建了 ReciLinkD——首个面向食谱的上下文食品本体实体链接基准。实验表明，SCODEL 能持续提升三种模块化 EL 模型的表现：在已见概念上，SCODEL × BLINK 达到最高 Hit@1 为 88.33%；在未见概念上，SCODEL × GSM‑EL 达到最高 Hit@1 为 83.15%，均超越最强大的基于大语言模型（LLM）的 EL 基线。跨领域实验在生物医学本体基准上也验证了 SCODEL 的通用性。最后，我们利用 SCODEL 在大规模语料上对食物提及进行本体对齐，构建了本体驱动的食谱知识图谱，展示了其在本体感知检索和全语料食物分析中的实用价值。
点评：SCODEL 通过共享的规范定义实现了语义层面的统一，使得不同 EL 模型能够在不改动内部结构的前提下获得显著提升，尤其在处理未见概念时表现突出，证明了其在跨域迁移中的潜力。