SituationCO v1.2's Terms, Properties, Relationships and Axioms -- A Core Ontology for Particular and Generic Situations
UNLPam（拉潘帕国立大学）
当前的预印本是SituationCO v1.1（Situation Core Ontology）的更新，代表了其新版本1.2。它指定并定义了SituationCO v1.2的所有术语、属性、关系和公理，作为一个特定和通用情境的本体论，置于称为FCD-OntoArch（科学基础、核心和领域本体论架构）的四层本体论架构的核心层面。这是一个四层的本体架构，它考虑了基础，核心，域和实例级别。反过来，域级别又分为两个子级别，即：顶级域和低级域本体级别。因此，实际上，我们可以将其视为五层架构。除了基础层次只有ThingFO（Thing Foundational Ontology）外，其他层次的本体可以相互关联，并且较低层次的本体的术语和关系可以被较高层次的本体的术语和关系语义丰富。请注意，ThingFO和核心级别的本体（如SituationCO、ProcessCO等）都是域独立的。SituationCO的术语和关系主要来自ThingFO。它还完全重用了主要来自ProcessCO、ProjectCO和GoalCO本体的术语。刻板印象是用来丰富SituationCO术语的机制。请注意，在本文档的最后，我们解决了SituationCO与ThingFO非分类关系验证矩阵。
2021-07-21 cs.AI
Logical Semantics and Commonsense Knowledge: Where Did we Go Wrong, and How to Go Forward, Again
我们认为，逻辑语义学可能已经动摇，由于其在区分两个根本上非常不同类型的概念：本体概念，这应该是在一个强类型的本体类型，和逻辑概念，这是谓词对应的属性和各种本体类型的对象之间的关系。然后，我们将表明，占这些差异相当于在一个连贯的框架中的词汇语义和成分语义的整合，并在我们的逻辑语义的强类型的本体，反映了我们的常识世界观和我们谈论它在日常语言的方式嵌入。我们将表明，在这样一个框架中的自然语言语义的一些挑战，可以充分和系统地对待。
2018-08-09 cs.AI cs.CL
NFRsTDO v1.2's Terms, Properties, and Relationships -- A Top-Domain Non-Functional Requirements Ontology
GIDIS_Web, Facultad de Ingeniería, UNLPam（GIDIS_Web，UNLPam工程学院）
本预印本指定并定义了NFRsTDO（非功能需求顶级领域本体）的所有术语、属性和关系。NFRsTDO v1.2，其UML概念如图1所示，是其前身NFRsTDO v1.1的稍微更新版本。NFRsTDO是一个本体，主要致力于质量（非功能）要求和质量/成本视图，它被放置在称为FCD-OntoArch（科学的基础，核心，领域和实例本体架构）的多层本体架构的上下文中的顶级域级别。图2描述了它的五个层，包括基础层、核心层、顶级域层、低级域层和实例层。每个级别都填充有本体组件，或者换句话说，本体。同一层次的本体可以相互关联，但基础层次的本体只有ThingFO（Thing Foundational Ontology），而且较低层次的本体的术语和关系可以通过较高层次的本体的术语和关系得到语义上的丰富。NFRsTDO的术语和关系主要从ThingFO、SituationCO（SituationCore Ontology）、ProcessCO（Process Core Ontology）和FRsTDO（Functional Requirements Top-Domain Ontology）扩展/重用。刻板印象是用于丰富NFRsTDO术语的机制。请注意，从先前版本（NFRsTDO v1.1）到当前版本（v1.2）的更新注释可参见附录A。
2023-02-02 cs.AI
Ontology - Based Dynamic Business Process Customization
业务模型之间的交互以消费者为中心的方式使用，而不是使用以生产者为中心的方法来定制云环境中的业务流程。基于知识的人类语义网用于定制业务流程，它引入人类语义网作为一个概念接口，提供人类可理解的语义上的普通语义网，它提供了机器可读的语义的基础上RDF在这个不匹配是一个主要问题。为了克服这一技术，自动定制检测是一个自动化的过程，检测可能的元素或变量的业务流程，需要特别处理，以适应其他流程的要求.将待定制的业务流程作为主业务流程，将与之协作的业务流程作为辅助业务流程或SBP。自动定制制定是根据检测到的定制点，在定制概念化知识框架上进行自动推理，对PBP执行定制的自动化过程。通过使用Web服务组合Web页面来定制业务流程的过程。
2014-01-23 cs.AI
An Ontology-Based Artificial Intelligence Model for Medicine Side-Effect Prediction: Taking Traditional Chinese Medicine as An Example
School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院）；School of Electrical Engineering and Telecommunications, University of New South Wales（新南威尔士大学电气工程与电信学院）；Faculty of Medicine, Ludwig Maximilian University of Munich（慕尼黑大学医学院）；The First Clinical Medical College, Zhejiang Chinese Medicine University（浙江中医药大学第一临床医学院）
在这项工作中，基于本体的AI辅助药物副作用（SE）预测模型的开发，其中三个主要组成部分，包括药物模型，治疗模型和AI辅助预测模型，提出的模型。为了验证所提出的模型，人工神经网络结构的建立和训练的242个中药方剂。这些数据收集和分类从最著名的古代中医书籍和超过一千SE报告，其中两个基于本体的属性，热和冷，以评估是否处方会导致SE或没有。实验结果初步表明，基于本体的属性和相应的预测指标之间存在一种关系，人工智能可以通过学习这种关系来预测SE，这表明该模型在人工智能辅助SE预测中具有潜力。然而，应该注意的是，所提出的模型高度依赖于足够的临床数据，因此，更深入的探索对于提高预测的准确性是重要的。
2019-10-01 cs.AI
Human-Aware Sensor Network Ontology: Semantic Support for Empirical Data Collection
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Universidade de Fortaleza（福塔莱萨大学）
为了解和记录与科学测量有关的知识作出了重大努力。这些努力中有许多产生了一个或多个高质量的本体，描述了科学测量的某些方面，但不是以全面和连贯的方式。例如，我们注意到，许多这些高质量的本体是不正确的对齐，更具有挑战性，他们有不同的，往往是相互冲突的概念和方法来编码知识的经验测量。由于缺乏综合的观点，科学家往往难以确定任何两个科学测量是否以语义兼容的方式进行，因此难以决定是否应该结合分析测量。在本文中，我们提出了人类感知传感器网络本体，这是一个全面的对齐和集成的传感基础设施本体和出处本体。HASNetO已经开发了一年多，并已被多个科学界审查、共享和使用。该本体已被用于支持一些大规模生态监测活动（观测）和实证实验的数据管理。
2017-04-06 cs.AI cs.CY
A curated, ontology-based, large-scale knowledge graph of artificial intelligence tasks and benchmarks
Institute of Artificial Intelligence, Medical University of Vienna（维也纳医科大学人工智能研究所）
人工智能（AI）的研究正在通过快速增长的模型和方法来解决越来越多的任务。这使得很难跟踪新的人工智能方法在哪里成功应用-或仍然不成功-，如何衡量进展，不同的进步如何相互协同，以及未来的研究应该如何优先考虑。为了帮助解决这些问题，我们创建了智能任务本体和知识图谱（ITO），这是一个关于人工智能任务、基准测试结果和性能指标的全面、结构丰富和手动管理的资源。当前版本的ITO包含685，560条边，1，100个表示AI过程的类和1，995个表示性能指标的属性。ITO的目标是对AI任务和能力的全球格局进行精确和基于网络的分析。ITO基于的技术允许轻松集成和丰富外部数据，自动推理以及对底层本体模型的持续，协作专家策展。我们公开了ITO数据集和一系列使用ITO的笔记本电脑。
2021-10-06 cs.AI
Thing Foundational Ontology: ThingFO v1.3's Terms, Properties, Relationships and Axioms
UNLPam（拉潘帕国立大学）；Engineering School, UNLPam（拉潘帕国立大学工程学院）
此预印本指定并定义了ThingFO（Thing Foundational Ontology）v1.3的所有术语、属性、关系和公理，这是其前身ThingFO v1.2的略微更新版本。它是一个特定和普遍事物的本体论，位于一个名为FCD-OntoArch（科学的基础，核心，领域和实例本体论架构）的五层本体论架构的基础级别。图2描述了它的五个层，包括基础、核心、顶级域、低级域和实例级别。两个指导方针和三个规则，指导本体的位置和约束，在这个本体架构中记录在一个单独的部分。每个级别都填充有本体组件，或者换句话说，本体。除了在基础级别（在基础级别中仅发现ThingFO本体）之外，在相同级别的本体可以彼此相关。此外，在较低级别的本体的术语和关系可以由来自较高级别的本体的术语和关系在语义上丰富。ThingFO和核心级别的本体，如ProcessCO，SituationCO等，是领域独立或中立的。ThingFO由三个主要概念组成，即：Thing，Thing Category和Assertion，它们代表了人类对特定和普遍事物的不同方面的表达。图1显示了UML语言中指定的ThingFO的概念化。请注意，从先前版本（v1.2）到当前版本（v1.3）的更新注释可参见附录A。
2022-02-28 cs.AI
Publishing Math Lecture Notes as Linked Data
Jacobs University Bremen（不来梅雅各布大学）；Kazan State University（喀山国立大学）
我们标记了一个语料库的LaTeX讲座笔记语义和暴露他们作为链接数据在XHTML+MathML+RDFa。我们的应用程序使得学生可以交互式地浏览生成的文档。我们的本体有助于回答学生和讲师的查询，并铺平了道路，我们的语料库与外部网站的整合。
2010-04-20 cs.AI cs.DL math.HO
Checking Chase Termination over Ontologies of Existential Rules with Equality
Institute for Theoretical Computer Science（理论计算机科学研究所）；Technische Universität Dresden（德累斯顿工业大学）；Department of Computer Science（计算机科学系）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
Chase算法是一个完善的基于存在规则的本体的合取查询应答算法。为了使它能够有效地使用，我们可以应用非循环性概念;也就是说，保证追逐终止的充分条件。不幸的是，这些概念中的大多数只定义为不具有相等性的存在规则集。一个建议的解决方案，以规避这个问题是对待平等作为一个普通的谓词与明确的公理化。我们的经验表明，这种解决方案在实践中是没有效率的，并提出了一种替代方法。更确切地说，我们表明，如果追逐终止任何平等公理化的本体论，那么它终止的原始本体论（可能包含平等）。因此，可以应用现有的非循环概念来检查本体的公理化上的追逐终止，然后使用原始本体进行推理。我们表明，在实践中，这样做的结果在一个更有效的推理过程。此外，我们提出了平等模型忠实的无环性，一个一般的无环性概念，可以直接应用到本体的平等。
2019-11-25 cs.AI cs.LO
Clinical Graph-JEPA: Predictive Patient-State Knowledge Graphs for Cognitive Decision Support
New York University（纽约大学）；University of Chicago（芝加哥大学）
该研究针对临床知识图谱构建难题，提出结合多智能体关系提议等技术的Clinical Graph-JEPA框架，在MIMIC-IV数据集上验证其提升了留一边缘恢复的MRR。
2026-08-27 cs.AI cs.LG
Clinical BioBERT Hyperparameter Optimization using Genetic Algorithm
临床因素仅占影响个人健康结果的可控因素的一小部分，约10- 30%。其余的因素包括一个人在哪里出生和长大，他/她在哪里接受教育，他们的工作和家庭环境是什么样的，这些因素统称为健康的社会决定因素（SDoH）。大多数SDoH数据由医生和从业者记录在非结构化临床笔记中。以结构化方式（在EHR中）记录SDoH数据可以极大地受益于SDoH术语的专用本体。我们的研究重点是从临床笔记中提取句子，利用这样的SDoH本体（称为SOHO）提供适当的概念。我们利用深度学习的最新进展来优化SDoH文本的Clinical BioBERT模型的超参数。采用基于遗传算法的超参数整定方案来确定最优参数设置。为了实现一个完整的分类器，我们将Clinical BioBERT与两个后续的线性层和两个dropout层进行了流水线处理。输出预测文本片段是否描述患者的SDoH问题。我们比较了AdamW、Adafactor和LAMB优化器。在我们的实验中，AdamW在准确性方面优于其他人。
2023-02-13 cs.AI cs.CL cs.LG
Semantic rule Web-based Diagnosis and Treatment of Vector-Borne Diseases using SWRL rules
Indian Institute of Information Technology Allahabad（阿拉哈巴德印度信息技术学院）
病媒传播疾病（Vector-borne diseases，VBD）是一种通过蜱、蚊、锥蝽、黑蝇、白蛉等被感染的寄生虫、细菌和病毒叮咬产生的媒介传播而引起的疾病。如果这些疾病不能在合理的时间范围内得到适当的治疗，死亡率可能会上升。在这项工作中，我们提出了一套本体，这将有助于在病媒传播的疾病的诊断和治疗。为了开发VBD的本体，从印度健康记录网站获取的电子健康记录，从印度政府医疗移动应用程序生成的文本数据，以及医生对患者的处方手写笔记被用作输入。这些数据经过预处理后，将使用光学字符识别（OCR）和拼写检查器转换为正确的文本。应用自然语言处理（NLP）从文本数据中提取实体，并在患者临床数据（PCD）本体的帮助下制作资源描述框架（RDF）医疗数据。然后，基本形式本体（BFO），国家媒介传播疾病控制计划（NVBDCP）的指南，和RDF医学数据被用来开发VBD的本体，和语义Web规则语言（SWRL）规则应用于诊断和治疗。开发的本体论有助于在NVBDCP的决策支持系统（DSS）的建设，以控制这些疾病。
2023-01-31 cs.AI
Extracting Breast Cancer Phenotypes from Clinical Notes: Comparing LLMs with Classical Ontology Methods
CureMD Research（CureMD研究）；Shifa International Hospital（希法国际医院）
本文提出基于大语言模型的框架，用于从临床笔记中提取乳腺癌相关表型，并与传统本体方法进行比较，验证了LLM在提取医学知识方面的有效性。
2026-03-16 cs.AI cs.CL
RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care
Imperial College London（帝国理工学院）
针对现有临床决策系统无法处理非结构化全科医生问诊记录的问题，本文提出RECAP-KG框架，依托SNOMED本体与RECAP工具相关数据从原始GP记录中构建知识图谱，在CCAS数据集上验证其准确率优于传统NLP方法。
2023-10-09 cs.AI cs.CL
A Multi-Level Architecture for Reusable Materials Ontologies -- The OntoCrafter Ceramics Ontology (OCO) as Reference Implementation
Numberland
针对材料科学本体在水平、垂直和机制三个维度上的碎片化问题，提出一种多层次模块化架构，通过抽象层次和消费受众两个独立分类轴，并在材料特定层内采用七层机制解释骨架，以OntoCrafter陶瓷本体(OCO v0.94)作为参考实现。
2026-06-17 cond-mat.mtrl-sci cs.AI physics.app-ph
Dissecting Neuro-Symbolic Quality Assurance for Synthetic Oncology Data Generation
University of North Texas（北得克萨斯大学）
本研究通过三项对照研究剖析神经符号质量保障机制，明确符号门控、本体接地等组件的作用，发现其可提升合成肿瘤学数据临床有效性，且检索增强效果依赖模型。
2026-08-25 cs.AI
Utilizing Large Language Models for Zero-Shot Medical Ontology Extension from Clinical Notes
Department of Computer Science（计算机科学系）；Emory University（埃默里大学）；College of Public Health（公共卫生学院）；Temple University（temple大学）；School of Information（信息学院）；Florida State University（佛罗里达州立大学）；Hubert Department of Global Health（全球健康部）；Nell Hodgson Woodruff School of Nursing（Nell Hodgson Woodruff护理学院）
CLOZE利用大型语言模型从临床笔记中自动提取医学实体，实现零样本医学本体扩展，具有高准确性和隐私保护能力。
2025-11-20 cs.AI
Systematic Analysis of COVID-19 Ontologies
Department of Library and Information Science, Calcutta University（加尔各答大学图书馆与信息科学系）
本文通过系统综述和参数化评估方法，对24个COVID-19本体从设计方法、形式化程度、词汇重用和领域覆盖等方面进行系统分析，为领域本体比较和未来发展提供参考。
2023-09-15 cs.AI cs.DL cs.IR
An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models
RARE-PHENIX通过整合大语言模型、本体标准化和监督排名，实现了端到端罕见病表型分析，优于现有深度学习基线。
2026-02-23 cs.AI cs.CL cs.LG
High Throughput Phenotyping of Physician Notes with Large Language and Hybrid NLP Models
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Department of Veterans Affairs（退伍军人事务部）
针对电子健康记录中医生病历的高吞吐深度表型分析需求，研究验证大语言模型与结合词向量和机器学习分类器的混合NLP模型均可高精度完成该任务，指出大语言模型有望成为首选方法。
2024-03-09 cs.AI cs.CL
Ontology Generation using Large Language Models
University of Bologna（博洛尼亚大学）；ISTC-CNR（意大利国家研究委员会认知科学与技术研究所）；Linköping University（林雪平大学）
本文提出 Memoryless CQbyCQ 和 Ontogenia 两种提示技术，利用大语言模型从用户故事和能力问题自动生成 OWL 本体，并通过多维评估证明其优于现有方法且显著超越新手建模能力。
2025-03-07 cs.AI
A Large Language Model Outperforms Other Computational Approaches to the High-Throughput Phenotyping of Physician Notes
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Kummer Institute, Missouri University of Science and Technology（密苏里科技大学库默研究所）
针对医生病历高通量表型分析的难题，对比三种计算方法后发现，基于GPT-4的大语言模型性能更优，有望成为该领域的首选方法。
2024-06-20 cs.AI
When AI Finds Hidden Messages, Does It Report?
Tsinghua University（清华大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
该研究探究AI发现针对其他AI的隐藏消息时是否会报告，通过模拟实验发现要求报告可显著提升AI的通知率，且解释、通知与任务执行是不同结果。
2026-10-09 cs.AI cs.CR
A Note on the Complexity of the Satisfiability Problem for Graded Modal Logics
Computing Laboratory（计算实验室）；Oxford University（牛津大学）；School of Computer Science（计算机科学学院）；University of Manchester（曼彻斯特大学）
本文研究了分级模态逻辑在自反性、序列性、对称性、传递性和欧几里得性等不同组合框架类上的可满足性问题，并为其获得了紧致的复杂性界限。
2009-05-19 cs.AI cs.CC cs.LO
