Ontologies-based Architecture for Sociocultural Knowledge Co-Construction Systems
University of Maroua（马鲁阿大学）；University of Gaston Berger（加斯东·贝尔热大学）；University of Ouaga 1（瓦加1大学）；Inria（法国国家信息与自动化研究所）；UCA（蔚蓝海岸大学）
考虑到基于语义维基引擎的平台的发展，可以区分两种主要方法：用于维基的本体（OfW）和用于本体的维基（WfO）。OfW vision需要导入现有的本体。它们大多使用基于RDF（资源描述框架）的系统结合标准SQL（结构化查询语言）数据库来管理和查询语义数据。但是，关系数据库并不是存储语义数据的理想类型。对于SMW（Semantic MediaWiki）来说，更自然的数据模型是RDF，这是一种以图形而不是固定的数据库表来组织信息的数据格式。本文提出了一种基于本体的体系结构，旨在实现这一思想。该体系结构主要包括Web用户界面层、语义层和持久层三层功能结构。
2019-04-11 cs.AI cs.DL
Knowledge Engineering for Hybrid Deductive Databases
University of Würzburg（维尔茨堡大学）
现代知识库系统经常需要以不同的格式组合数据库的集合：例如，关系数据库、XML数据库、规则库、本体等。在演绎数据库系统DDASE中，我们可以管理这些不同格式的知识并对它们进行推理。甚至不同计算机上的文件系统也可以是知识库的一部分。通常，需要处理知识库的不同版本。例如，在一个示例中，我们可能想要找出关系数据库的两个版本的共同部分或差异。我们将通过谓词依赖和规则谓词图来检查规则库抽象的使用。此外，派生原子的证明树可以帮助比较不同版本的规则库。此外，它可能有派生加入规则与其他形式主义的知识表示。本体已经在智能系统的许多应用中显示出它们的益处，并且已经有许多与语义web栈兼容的规则语言的提议，例如，SWRL，语义Web规则语言。最近，本体被用于混合系统中指定不同组件的出处。
2017-01-03 cs.AI cs.DB cs.PL
A study on the relation between linguistics-oriented and domain-specific semantics
Linköpings universitet（林雪平大学）
本文讨论了词汇资源与本体提供的领域知识之间的比较和链接。这是语义Web本体与文本挖掘相结合的问题之一。通过将GO生物过程概念与FrameNet语义框架相关联，研究了语言学导向和领域特定语义之间的关系。结果表明，面向语言学的语义学和特定领域的语义学在事件分类和目标词分组方面存在差距。研究结果为改进支持文本挖掘系统的领域本体提供了有价值的信息。同时，它也将对语言理解技术带来好处。
2010-12-07 cs.AI
Inductive Logic Programming in Databases: from Datalog to DL+log
Università degli Studi di Bari（巴里大学）
在本文中，我们解决了一个问题，已经引起了数据库社区的注意，随着语义Web的出现，即本体论（和它们所传达的语义）如何帮助解决典型的数据库问题的问题，通过更好地了解KR方面相关的数据库。特别是，我们调查这个问题，从ILP的角度考虑两个数据库的问题，（i）的定义的意见和（ii）的定义的约束，为数据库的模式表示也通过本体。两者都可以重新表述为ILP问题，并可以受益于KR框架DL+log的表达和演绎能力。我们通过实例说明了应用场景。关键词：归纳逻辑程序设计，关系数据库，本体，描述逻辑，混合知识表示和推理系统。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2010-03-12 cs.AI cs.DB cs.LG
Tackling scalability issues in mining path patterns from knowledge graphs: a preliminary study
Université de Lorraine, CNRS, Inria, LORIA（洛林大学、法国国家科学研究中心、法国国家信息与自动化研究所、洛林计算机科学与应用研究实验室）
从知识图谱中挖掘出的特征被广泛应用于多种知识发现任务中，例如分类或事实检查。在这里，我们考虑一组给定的顶点，称为种子顶点，并专注于挖掘其相关的相邻顶点，路径，更一般地说，路径模式，涉及类的本体与知识图谱。由于现实世界的知识图谱的组合性质和不断增长的规模，挖掘这些模式的任务立即带来了可扩展性问题。在本文中，我们通过提出一种依赖于一组约束（例如，支持度或度阈值）和单调性属性。由于我们的动机来自现实世界的知识图谱的挖掘，我们说明了我们的方法与PGxLOD，生物医学知识图谱。
2020-08-07 cs.AI cs.DB
Querying Biomedical Ontologies in Natural Language using Answer Set
Sabancı University（萨班哲大学）；Sanovel Pharmaceutical Inc.（萨诺维尔制药公司）
在这项工作中，我们开发了一个智能用户界面，允许用户输入生物医学查询的自然语言，并提出了答案（可能与解释，如果要求）在自然语言。我们在生物医学本体和数据库上开发了一个规则层，并使用自动推理机来回答考虑规则层相关部分的查询。
2010-12-09 cs.AI
Tagging multimedia stimuli with ontologies
情绪刺激的成功管理是情感计算及其相关研究的一个关键问题。作为人工智能的一个分支，AC不仅关注计算机系统的设计以及能够识别、解释和处理人类情感的硬件，还关注能够以有序和受控的方式触发人类情感反应的系统的开发。这需要在从情感注释的数据库中提取数据时可达到的最大精度和效率。虽然这些数据库确实使用关键字或标签来描述语义内容，但它们不提供有效提取相关情感内容所需的必要灵活性或杠杆作用。因此，在某种程度上，我们建议引入本体作为描述情感注释数据的新范式。基于语义属性选择和排序数据的能力对于任何涉及元数据、语义和本体排序（如语义Web或社会语义桌面）的研究都是至关重要的，本文中描述的方法也有助于这些领域的重用。
2009-03-04 cs.AI
Expressive Completeness of Existential Rule Languages for Ontology-based Query Answering
Huazhong University of Technology & Science（华中科技大学）；Western Sydney University（西悉尼大学）；University of Alberta（阿尔伯塔大学）
潜在规则，也被称为数据库中的数据依赖，最近被重新发现为基于本体的查询分类的一个有前途的语言家族。在本文中，我们证明了析取嵌入依赖准确捕获类递归可重命名的本体基于本体的连接查询（OCQA）。我们的表达完整性结果不依赖于数据库上任何内置的线性顺序。为了建立表达的完整性，我们引入了一个新的语义定义OCQA本体。我们还表明，无论是类的析取元组生成的依赖关系，也不是类的嵌入式依赖关系是表达完整的递归可重复OCQA本体。
2016-04-27 cs.AI cs.DB cs.LO
Data Analytics using Ontologies of Management Theories: Towards Implementing 'From Theory to Practice'
York University（约克大学）；Kingsdale Shareholder Services（金斯代尔股东服务公司）；Canadian Tire（加拿大轮胎公司）
我们探讨了计算本体论如何在“数据科学”这一发展中的学科中发挥作用。“我们提出了一种方法，其中管理理论被表示为形式公理，然后应用于对驻留在公司数据库中的数据进行推断。也就是说，管理理论将被实现为数据分析引擎中的规则。我们展示了一个案例研究的发展，这样的本体论正式代表会计理论的一阶逻辑。虽然相当初步，但信息技术（即本体论）可以潜在地实现学术陈词滥调“从理论到实践”并适用于新兴的数据分析领域的想法是新颖和令人兴奋的。
2016-08-28 cs.AI
Top-k Query Answering in Datalog+/- Ontologies under Subjective Reports (Technical Report)
University of Oxford（牛津大学）；Università della Calabria（卡拉布里亚大学）
在传统的数据库和基于本体的数据访问中，查询应答中使用偏好最近受到了广泛的关注，这是由于其许多现实世界的应用。在本文中，我们解决的问题，前k查询回答Datatrons +/-本体查询用户的喜好和收集（主观）报告的其他用户。在这里，每个报告都包含一系列功能的分数、作者对功能的偏好以及其他信息。然后将每个报告的这些信息片段与查询用户的偏好和他/她对每个报告的信任一起组合，以对查询结果进行排名。我们提出了两种替代这样的排名，以及这些排名下的top-k（原子）查询回答算法。我们还表明，在适当的假设下，这些算法运行在多项式时间的数据复杂度。最后，我们提出了更一般的报告，这是与套原子，而不是单个原子。
2013-11-29 cs.AI cs.DB
Answering Counting Queries over DL-Lite Ontologies
University of Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；LaBRI（波尔多计算机科学研究实验室）；Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院计算机系）；ENS（巴黎高等师范学院）；University PSL（巴黎文理研究大学）
本体介导的查询应答（OMQA）是一种很有前途的数据访问和集成方法，在知识表示和数据库社区中已经被积极研究了十多年。OMQA的绝大多数工作都集中在合取查询上，而具有计数或其他聚合形式的更具表达力的查询在很大程度上尚未探索。在本文中，我们介绍了一种一般形式的计数查询，将其与以前的建议，并研究在DL-Lite本体的存在下回答这种查询的复杂性。由于它遵循现有的工作，查询回答是棘手的，往往是高复杂性，我们考虑一些实际相关的限制，我们建立改进的复杂性界限。
2020-09-02 cs.AI cs.CC cs.DB
Beyond Markov Logic: Efficient Mining of Prediction Rules in Large Graphs
University of Leipzig（莱比锡大学）；Leipzig University of Applied Sciences（莱比锡应用科技大学）；Paderborn University（帕德博恩大学）
大型知识库的图形表示可以包括数十亿条边。通常建立在人类生成的本体，一些知识库不具有声明的本体规则，是远远不够的。目前的规则挖掘方法依赖于模式或将图存储在内存中，这对于大型图是不可行的。在本文中，我们介绍HornConcerto，算法发现霍恩条款在大型图，而不需要一个模式。使用一个标准的基于事实的置信度得分，我们可以挖掘关闭霍恩规则具有任意的身体大小。我们表明，我们的方法可以优于现有的方法在运行时间和内存消耗和挖掘高质量的规则的链接预测任务，实现国家的最先进的结果，广泛使用的基准。此外，我们发现，规则本身可以执行推理速度显着快于嵌入为基础的方法，并实现链接预测的准确性相比，资源需求的方法，如马尔可夫逻辑网络。
2018-02-13 cs.AI cs.DB
SMT-Based Safety Verification of Data-Aware Processes under Ontologies (Extended Version)
Computing Science Department, Umeå University（于默奥大学计算科学系）
在验证数据感知过程（DAP）的背景下，基于可满足性模理论（SMT）的形式化方法已被认为是验证参数化的安全属性的所谓的工件为中心的系统。这种方法需要结合模型理论的概念和算法技术的基础上向后可达性。我们在这里介绍一个变种的最调查的模型在这个频谱，即简单的工件系统（SAS），而不是管理一个数据库，我们在一个描述逻辑（DL）本体（稍微扩展）RDFS表示。这DL，享有适当的模型理论的属性，使我们能够定义基于DL的SAS向后可达性仍然可以应用，导致相应的安全问题的PSPACE的可判定性。
2021-08-27 cs.AI
Combining Machine Learning and Ontology: A Systematic Literature Review
CIAD UMR 7533；Université de Bourgogne（勃艮第大学）
本文通过系统性文献综述探讨了机器学习与本体集成的技术，分析了128项研究，归纳出学习增强型本体、语义数据挖掘和学习与推理系统三种混合类别，并与混合AI和神经符号方法进行了比较。
2024-02-19 cs.AI cs.LG
How Users Explore Ontologies on the Web: A Study of NCBO's BioPortal Usage Logs
Stanford University（斯坦福大学）；Graz University of Technology（格拉茨技术大学）；GESIS（莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）
生物医学领域的本体论数量众多，高度专业化，开发成本非常昂贵。因此，本体采用和重用的一个重要前提是有效地支持探索和发现现有的本体。为了实现这一目标，国家生物医学本体中心（NCBO）开发了BioPortal-一个在线知识库，旨在支持用户探索和查找500多个现有的生物医学本体。2016年，BioPortal是探索语义生物医学词汇和术语的最大门户之一，被许多研究人员和从业者使用。虽然这个门户的使用率很高，但我们对用户究竟如何搜索和探索本体以及首先存在什么样的使用模式或用户组知之甚少。深入了解用户在这些门户网站上的行为可以提供有价值的信息，以制定更好地支持用户探索和查找现有本体的策略，从而实现更好的本体重用。为此，我们使用数据采掘技术研究和分组用户根据他们的浏览行为在BioPortal上。此外，我们使用所获得的组来表征和比较探索策略跨本体。特别是，我们能够识别出七种不同的浏览行为类型，它们都使用了BioPortal提供的不同功能。例如，搜索浏览器广泛使用搜索功能，而本体树浏览器主要依赖于类层次结构来浏览本体。此外，我们表明，本体的具体特点影响用户探索和互动的网站。我们的研究结果可能会指导开发更多的面向用户的系统在Web上的本体探索。
2016-10-31 cs.AI cs.DL cs.HC
Reverse Engineering of Temporal Queries Mediated by LTL Ontologies
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；IRIF（法国信息与自动化研究所）；University of Liverpool（利物浦大学）；Birkbeck, University of London（伦敦大学伯贝克学院）；University of Southampton（南安普顿大学）
该研究针对带时间戳数据上的LTL正片段查询，开展按例查询的逆向工程研究，探究查询语言设计及相关判定问题的复杂度，同时覆盖普通LTL查询与LTL本体介导的查询。
2023-05-04 cs.AI cs.LO
On the Merging of Domain-Specific Heterogeneous Ontologies using Wordnet and Web Pattern-based Queries
Faculty of Information Technology（信息技术学院）；Faculty of Computer Science（计算机科学学院）；Monash University（莫纳什大学）；University of Lyon（里昂大学）
本体构成了各种计算机科学学科的基本兴趣，如语义网，信息检索，数据库设计等，它们旨在提供一个正式的，明确的和共享的概念化和不同社区之间的共同领域的理解。此外，它们允许明确定义特定领域的概念及其约束。然而，本体开发的分布式特性和本体工程师观点的差异导致了本体之间的“语义异构性”。语义异构性是实现本体间互操作性的主要障碍。为了克服这一障碍，我们提出了一个多用途的框架，利用WordNet通用知识库：i）发现和纠正不正确的语义关系的概念之间的本体在一个特定的领域。该步骤是本体合并的一个基本步骤。ii）通过计算概念之间的语义关系来合并特定领域的本体。㈢通过在网上获取统计资料，处理WordNet中缺少概念的问题。4.用这些缺失的概念丰富WordNet。一个实验性的框架实例和比较国家的最先进的语法和语义为基础的系统验证我们的建议。
2020-04-30 cs.AI cs.CL cs.IR
Improving the portability of predicting students performance models by using ontologies
Escuela Superior Politécnica Agropecuaria de Manabí (ESPAM MFL)（马纳比农业高等理工学院（ESPAM MFL））；University of Córdoba (UCO)（科尔多瓦大学（UCO））
针对教育数据挖掘中预测模型因依赖低级属性导致可移植性差的问题，提出利用基于动作分类法的本体总结学生与Moodle交互，证明该方法能提升模型跨课程可移植性且不损失预测准确性。
2024-10-09 cs.AI
Acyclicity Notions for Existential Rules and Their Application to Query Answering in Ontologies
University of Oxford（牛津大学）
在知识表示和数据库中，基于存在规则扩展的事实集的合取查询是一个突出的问题。这个问题可以使用chase算法来解决，该算法用新的事实扩展给定的事实集以满足规则。如果追踪终止，则CQ可以直接在结果事实集中进行评估。然而，追逐并不一定会终止，并且检查追逐是否在给定的一组规则和事实上终止是不可判定的。许多非循环概念被提出作为追逐终止的充分条件。在本文中，我们提出了两个新的无环性概念称为模型忠实无环性（MFA）和模型概括无环性（MSA）。此外，我们调查的景观已知的非周期性概念，并建立一个完整的分类所有的概念，我们知道。最后，我们表明，MFA和MSA概括了这些概念。潜在规则与OWL 2本体语言的Horn片段密切相关;此外，几个著名的OWL 2推理机通过使用追逐来实现所有相关事实的CQ回答。为了避免终止问题，这些系统中的许多只处理OWL 2的OWL 2 RL配置文件;此外，一些系统超越了OWL 2 RL，但没有任何终止保证。在本文中，我们还探讨了各种非周期性的概念是否可以提供一个原则和实际的解决方案，这些问题。在理论方面，我们表明，查询回答非循环本体是较低的复杂性比一般的本体。在实践方面，我们表明，许多常用的OWL 2本体是MSA，并且通过物化获得的事实的数量并不太大。因此，我们的研究结果表明，基于物化的OWL 2推理机的原则性发展实际上是可行的。
2014-02-04 cs.AI cs.DB
Declarative Sequential Pattern Mining of Care Pathways
AGROCAMPUS-OUEST/IRISA-UMR6074（西部农业学院/IRISA-UMR6074）；CHRU Brest/EA-7449 REPERES（布雷斯特大学医院/EA-7449 REPERES）；Rennes University 1/IRISA-UMR6074（雷恩第一大学/IRISA-UMR6074）
序列模式挖掘算法被广泛应用于护理路径数据库的挖掘，但它们产生了大量的模式，大多是冗余或无用的。临床医生需要工具来表达复杂的挖掘查询，以生成更少但更重要的模式。这些算法的通用性不足以回答复杂的临床医生查询。本文提出了一种基于答案集编程范式的声明式模式挖掘方法。这是一个药物流行病学研究的例证，该研究调查了来自法国医学管理数据库的癫痫发作住院与抗癫痫药物转换之间的可能联系。
2017-07-26 cs.AI
The IFF Foundation for Ontological Knowledge Organization
The Haworth Press Inc.（霍沃斯出版社）
本文讨论了一种公理化的本体集成方法，这种方法将以前基于信息流的方法（Kent 2000）扩展到一阶逻辑。这种公理化方法在信息流框架（IFF）中得到了体现，IFF是一个元级框架，用于组织出现在数字图书馆、分布式数据库和本体中的信息（Kent 2001）。本文认为，本体的整合是一个对齐和统一两步走的过程。本体对齐包括通过中介本体共享公共术语和语义。本体统一集中在社区连接的虚拟本体中，是参与者社区本体的对齐图的融合-参与者门户的总和模本体对齐结构的商。
2018-10-10 cs.AI cs.DL
Shiva: A Framework for Graph Based Ontology Matching
Banasthali University（巴纳斯达利大学）；Center for Development of Advanced Computing（先进计算发展中心）；Apaji Institute（阿帕吉学院）
长期以来，企业一直在寻找能够提供数据结构化描述的知识源，并且能够专注于意义和共享理解。可以促进开放世界假设的结构，并且可以足够灵活地合并和识别一个实体的多个名称。主要目的是促进人类通信和互操作性的源。显然，数据库无法提供这些功能，本体已经成为一种替代选择，但在同一领域工作的公司往往会制作不同的本体。当他们想要分享他们的数据/知识时，就会出现问题。因此，我们需要工具来合并成一个本体。这个任务被称为本体匹配。这是一个新兴的领域，我们仍然要走很长的路，有一个理想的匹配器，可以产生良好的结果。在本文中，我们已经展示了一个框架，匹配本体使用图。
2014-03-28 cs.AI
Artificial Intelligence (AI) in Legal Data Mining
本文探讨法律数据挖掘中的人工智能应用，指出法律数据非结构化问题，并介绍本体论在组织法律信息中的作用，强调未来需计算机与法律专家协作。
2024-05-23 cs.AI
The role of semantics in mining frequent patterns from knowledge bases in description logics with rules
Poznan University of Technology（波兹南理工大学）
我们提出了一种新的方法来挖掘频繁模式的语言，结合语义Web本体和规则。特别是，我们考虑使用的语言相结合的描述逻辑与DL安全的规则的设置。此设置对于语义Web的数据采掘的实际应用非常重要。我们专注于频繁模式发现的任务的表示形式主义的语义的关系，并为我们的方法的核心，我们提出了一种算法，利用组合知识库的语义。我们已经开发了一个概念验证数据采掘实现这一点。使用这一点，我们已经经验表明，使用组合的知识库进行语义测试，可以使数据采掘更快的修剪无用的候选模式之前，他们的评价。我们还表明，所产生的模式集的质量可以得到改善：模式更紧凑，并且模式更少。我们的结论是，利用所选择的表示形式主义的语义（上）关系频繁模式发现方法的设计和应用的关键。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2010-04-01 cs.AI cs.LO
Detecting Ontological Conflicts in Protocols between Semantic Web Services
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
验证交互Web服务之间的兼容性的任务传统上限于检查交互协议在消息序列和交换的数据类型方面的兼容性。由于Web服务主要是以不协调的方式开发的，因此不同的服务通常使用独立开发的本体来用于相同的领域，而不是坚持单个本体作为标准。在这项工作中，我们调查的方法，可以采取的服务器来验证的可能性，以达到一个状态与语义不一致的结果，在执行协议与客户端，如果客户端本体发布。数据库通常用于存储实际数据以及本体，而不是将实际数据存储为本体描述的一部分。重要的是要注意，在数据库的当前状态下，即使服务器所做的验证指示可能达到冲突状态，也可能不会达到语义冲突状态。一个基于关系代数的决策过程也被开发，将客户端和服务器数据库的当前状态的整体验证过程。
2010-11-03 cs.AI
Logical Separability of Labeled Data Examples under Ontologies
University of Hildesheim（希尔德斯海姆大学）；Leipzig University（莱比锡大学）；University of Liverpool（利物浦大学）
在概念学习、数据库查询的逆向工程、生成引用表达式和知识图谱中的实体比较等应用中，找到一个逻辑公式来分离以标记数据项的形式给出的正例和反例是基础。在本文中，我们调查的存在下，存在一个本体的数据分离公式。对于本体语言和分离语言，我们都集中在一阶逻辑及其以下重要片段：描述逻辑$\mathcal{ALCI}$、防护片段、双变量片段和防护否定片段。对于分离，我们还考虑合取查询（的联合）。我们考虑几种形式的可分性，不同的处理反例，在他们是否承认使用额外的辅助符号，以实现分离。我们的主要结果是模型理论的刻画（所有变种）的分离性，不同语言的分离能力的比较，和调查的计算复杂性决定分离性。
2022-08-17 cs.AI cs.LO
Similarité en intension vs en extension : à la croisée de l'informatique et du théâtre
Université Paris 8（巴黎第八大学）；IRCAM（法国音响与音乐研究和协作学院）；CReSTIC de l’Université de Reims（兰斯大学CReSTIC研究所）
传统的舞台是基于一个正式的方法，相似性的戏剧本体论和实例化的变化。受交互式数据采掘的启发，提出了不同的方法，我们给出了一个概述计算机科学和戏剧研究使用计算机作为合作伙伴的演员，以逃避先验规范的角色。
2009-12-24 cs.AI
Ontologies in CLARIAH: Towards Interoperability in History, Language and Media
Vrije Universiteit, Amsterdam（阿姆斯特丹自由大学）；International Institute of Social History, Amsterdam（国际社会史研究所）；KNAW Humanities Cluster, DHLab, Amsterdam（荷兰皇家艺术与科学学院人文集群数字人文实验室）；University of Stirling, Stirling（斯特灵大学）；Utrecht University, Utrecht（乌得勒支大学）；Netherlands Institute for Sound and Vision, Hilversum（荷兰声音与视觉研究所）
数字人文学科最重要的目标之一是为研究人员提供新的研究问题的数据和工具，无论是通过增加学术研究的规模，连接现有的数据库，还是提高数据的可访问性。在这里，FAIR原则提供了一个有用的框架，因为这些原则指出数据需要：可查找，因为它们通常分散在各种来源中;可解释，因为有些可能是离线的或在付费墙后面;可互操作，因此使用标准的知识表示格式和共享词汇表;以及可重用，通过适当的许可和权限。整合来自不同人文领域的数据并不是一件小事，比如“18世纪经济财富是否平均分配？或者“围绕破坏性媒体事件构建的叙事是什么？“）和准备阶段（例如，数据汇集、知识组织、清理）。在这一章中，我们描述的本体和工具，开发和集成在荷兰国家项目GATIAH，以解决这些问题的数据集从三个基本领域或“支柱”的人文学科（语言学，社会和经济史，媒体研究），具有范式的数据表示（文本语料库，结构化数据，多媒体）。我们总结了经验教训，从这些领域使用这样的本体和工具，从泛化和可重用性的角度来看。
2020-07-31 cs.AI cs.CY cs.DL
WNtags: A Web-Based Tool For Image Labeling And Retrieval With Lexical Ontologies
Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院）
互联网上越来越多的图像文档不断激发人们对更好的标注模型和更有效的检索方法的研究。图片中的对象和事件的正式知识表示、它们的交互以及上下文复杂性不再是高质量图像存储库的选项，而是必需的。我们提出了一个基于本体的在线图像标注工具WNTags，并证明了它的有用性，在几个典型的多媒体检索任务使用国际情感图片系统情感标注的图像数据库。WNTags是围绕WordNet词汇本体构建的，但认为建议的上层合并本体是首选的标记形式主义。WNTags使用加权WordNet同义词集作为高级图像语义描述符，并使用词干和节点距离度量进行查询匹配。我们还阐述了我们不久的将来计划，以扩大与诱导影响的图像内容的描述，在人类的情感和注意力的研究刺激。
2017-12-05 cs.AI cs.IR cs.MM
Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance
本文比较了不同知识图谱构建策略对RAG性能的影响，发现融合文本块信息的本体引导知识图谱性能优于向量检索基线，且基于关系数据库构建的本体引导知识图谱在性能相当的同时，具有降低LLM使用成本和避免本体合并复杂性的双重优势。
2025-11-08 cs.AI cs.IR
Mining Weighted Sequential Patterns in Incremental Uncertain Databases
University of Dhaka（达卡大学）；University of Manitoba（曼尼托巴大学）
本文针对增量不确定数据库中的加权序列模式挖掘问题，提出了一种挖掘频繁序列的算法及两种增量挖掘新技术，实验验证了框架的高效性。
2024-03-31 cs.AI cs.DB
Application of Data Mining Techniques to a Selected Business Organisation with Special Reference to Buying Behaviour
Deshbhakt Ratnappa Kumbhar College Of Commerce（德斯巴克特·拉特纳帕·孔布哈商业学院）；Chh. Shahu Institute Of Business Education And Research（恰·沙胡商业教育与研究学院）
数据采掘是一个新的概念&对大数据集进行探索和分析，以发现有意义的模式和规则。许多组织现在正在使用数据采掘技术从数据库中找出有意义的模式。本文研究了如何将数据采掘技术应用于大型数据库。这些数据采掘技术从数据库中得到某些行为模式。对数据库进行分析后得出的结果对组织工作是有用的。本文对应用关联规则挖掘技术、规则归纳技术和Apriori算法后的结果进行了检验。并将这些技术应用于大型购物中心的数据库中。通过上述技术对市场购物篮进行分析，发现了一些重要的结果，如购买行为。
2011-12-17 cs.AI cs.DB
A Constraint Programming Approach for Mining Sequential Patterns in a Sequence Database
University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
基于约束的模式发现是众多数据采掘任务的核心。模式是相对于一组给定的约束（频率，封闭性，大小等）提取的。在序列模式挖掘的背景下，已经开发了大量专门的技术来解决特定类别的约束。本文的目的是研究使用约束编程（CP）的建模和挖掘序列数据库中的序列模式。我们的CP方法提供了一种自然的方式，在同一个框架中同时结合了来自不同来源的大量约束。实验结果表明，我们的方法的可行性和利益。
2013-11-27 cs.AI cs.DB
Characterizing Transactional Databases for Frequent Itemset Mining
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
本文研究了用于频繁项集挖掘的事务数据库的特征。这些特征通常用于基准测试和理解在这些数据库上工作的数据采掘算法。我们的研究的目的是给这些基准数据库的多样性和代表性的图片，无论是在一般情况下，但也在特定的实证研究的文献中发现的背景下。我们提出的指标列表包含了文献中发现的许多现有指标，以及新的指标。我们的研究表明，我们的指标列表能够捕捉到大部分数据集的内部复杂性，从而为事务数据集的表征提供了一个很好的基础。最后，我们提供了一组代表性的数据集，根据我们的表征，可以安全地用作基准。
2020-11-09 cs.AI cs.DB
HybridMiner: Mining Maximal Frequent Itemsets Using Hybrid Database Representation Approach
FAST-National University of Computer and Emerging Sciences（FAST-国立计算机与新兴科学大学）
在本文中，我们提出了一种新的混合（基于数组的布局和垂直位图布局）的数据库表示方法，挖掘完整的最大频繁项集（MFI）稀疏和大型数据集。我们的工作是新颖的可扩展性，项目搜索顺序和两个水平和垂直投影技术。我们还提出了一个最大的算法，使用这种混合数据库表示方法。在真实数据集和稀疏数据集上的不同实验结果表明，该方法优于现有的最大值算法。
2009-04-21 cs.AI cs.DB cs.DS
Mining Non-Redundant Local Process Models From Sequence Databases
Eindhoven University of Technology（埃因霍温理工大学）；University of Tartu（塔尔图大学）
序列模式挖掘技术从序列数据库中提取对应于频繁序列的模式。这些技术的一个实际局限性是，它们会让用户负担太多的模式。局部过程模型挖掘是过程挖掘领域的一种新的挖掘方法。在传统的序列模式挖掘中，一个模式描述一个子序列，而LPM捕获一组连续性。此外，虽然传统的顺序模式仅匹配在序列数据库中观察到的顺序，但LPM可以捕获未明确观察到的顺序，但与观察到的顺序相关。换句话说，LPM概括了在序列数据库中观察到的行为。这些属性使得一组LPM可以覆盖更大的一组顺序模式的行为。然而，现有的LPM挖掘技术仍然遭受模式爆炸问题，因为它们产生冗余LPM集。在本文中，我们提出了几种算法来挖掘一组非冗余的LPM，无论是从一组冗余的LPM或从一组序列模式。我们根据经验比较他们之间的建议，并对现有的（本地）流程挖掘技术的覆盖率，冗余度和复杂性的生产集的LPM。
2018-09-21 cs.AI cs.DB cs.DS
Optimal Categorical Attribute Transformation for Granularity Change in Relational Databases for Binary Decision Problems in Educational Data Mining
本文提出了一种在层次数据库中对二元决策问题的数据粒度进行转换的方法，该方法通过在较低粒度级别上对分类属性进行回归来实现。来自关系数据库中较低层次实体的属性通过在小的排他标记样本上训练的类别直方图上回归而不是分布的通常模式类别来优化其信息内容。本文通过一个评价中学质量的二元决策任务验证了该方法，重点是逻辑回归如何将学生和教师属性转换为学校属性。实验进行了巴西学校的公共数据集，通过10倍交叉验证比较的排名得分也由逻辑回归。所提出的方法取得了更高的性能比通常的分布模式转换和等于专家加权方法测量的最大Kolmogorov-Smirnov距离和ROC曲线下面积在0.01的显着性水平。
2017-02-28 cs.AI cs.DB
TargetUM: Targeted High-Utility Itemset Querying
Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）
传统的高效用项集挖掘（HUIM）旨在确定事务数据库中所有满足最小效用阈值（\textit{minUtil}）的高效用项集（HUI）。然而，在大多数应用程序中，并不是所有的UI都是有趣的，因为只需要特定的部分。因此，基于用户偏好的目标挖掘比传统的挖掘任务更重要。本文首次提出了一个基于目标的HUIM问题，并在定量交易数据库中提供了一个明确的目标效用挖掘任务。提出了一种基于树的高效用目标查询算法TargetUM。该算法使用一棵字典式查询树和三种有效的剪枝策略来提高挖掘效率。我们在几个真实数据库和合成数据库上进行了实验验证，结果表明，\textbf{TargetUM}的性能是令人满意的，完整的，正确的。最后，由于字典查询树，数据库不再需要重复扫描多个查询。
2021-10-30 cs.AI cs.DB
Comparative Study Of Data Mining Query Languages
LARODEC Laboratory – Institut Supérieur de Gestion de Tunis（突尼斯高等管理学院LARODEC实验室）
自归纳数据库问题提出以来，人们提出了几种数据采掘语言，证实了通过归纳查询应答可以支持KDD过程。本文综述了现有的DM语言。我们提出了DM语言的重要原语，并根据原语的满意度对我们的语言进行分类。此外，我们介绍了语言的语法，并尝试将每一个应用到一个数据库样本，以测试一组KDD操作。这项研究使我们能够突出语言的能力和限制，这对未来的工作和观点非常有用。
2017-01-27 cs.AI cs.DB
A computational theoretical approach for mining data on transient events from databases of high energy astrophysics experiments
IASF-CNR（意大利国家研究委员会宇宙天体物理与行星科学研究所）；DISP Tor Vergata（罗马第二大学DISP）
瞬态事件的数据，如伽玛暴，往往包含在大型数据库的非结构化数据从空间实验，合并与潜在的大量的背景或只是不需要的信息。我们提出了一个计算的形式化模型，应用现代计算机科学的技术-如数据挖掘（DM）和知识发现数据库（KDD）-一个通用的，大型的数据库来自高能天体物理实验。该方法的目的是搜索、识别和提取期望信息，并可能发现意外信息。
2020-04-08 astro-ph.IM cs.AI
An Efficient Algorithm for Mining Frequent Sequence with Constraint Programming
UCLouvain（鲁汶天主教大学）；KU Leuven（荷语鲁汶大学）
用于序列模式挖掘（SPM）的约束编程（CP）方法的主要优点是它们的模块化，其中包括添加新约束（正则表达式，长度限制等）的能力。目前SPM的最佳CP方法使用全局约束（模块）来计算投影数据库并强制执行最小频率;它使用类似于PrefixSpan方法的过滤算法来实现这一点。然而，最终的系统不像一些最先进的采矿系统，如Zaki的cSPADE那样可扩展。我们展示了如何使用技术从数据采掘和CP，可以使用一个通用的约束求解器，但优于现有的专业系统。这主要是由于计算投影频率的模块中的两个改进：首先，可以通过预先计算符号可能变得不被序列支持的位置来加速计算投影数据库，从而避免每次扫描整个序列;第二，从CP求解器中使用的跟踪中获得灵感，设计了一个回溯-感知数据结构，允许快速增量存储和恢复投影数据库。详细的实验显示了这种方法如何优于现有的CP以及SPM的专用系统，并且效率的提高直接转化为其他设置的效率提高，例如使用正则表达式进行挖掘。
2016-04-05 cs.AI cs.DB
Mining tree-query associations in graphs
Hasselt University（哈瑟尔特大学）；transnational University of Limburg（跨国林堡大学）
数据采掘的新应用，如在生物学、生物信息学或社会学中，都面临着以图的形式构造的大型数据集。我们介绍了一类新的树形模式称为树查询，并提出了算法挖掘树查询和树查询关联在一个大的数据图。我们的模式类的新颖之处在于，它们可以包含常量，并且可以包含在确定模式在数据图中出现的次数时不计数的存在节点。我们的算法有一些probableoptimality属性，这是基于合取数据库查询的理论。我们提出了一个实用的，面向数据库的SQL实现，并表明该方法在实践中的工作原理，通过实验的数据有关的食物网，蛋白质相互作用，和引文分析。
2010-08-16 cs.AI cs.DB
The Algorithms of Updating Sequential Patterns
由于时态数据库中挖掘的数据会随着时间的推移而不断变化，因此时态数据库中频繁序列的增量式挖掘一直是研究的重点。本文提出了一种算法IUS，利用原始数据库中的频繁序列和负边界序列进行增量式序列挖掘。为了处理某些数据需要从原始数据库中更新的情况，我们提出了一种称为DUS的算法来维护更新后的数据库中的序列模式。我们还定义了负边界序列阈值：Min_nbd_supp，以控制负边界中的序列数量。
2002-03-27 cs.AI cs.DB
A multi-agent ontologies-based clinical decision support system
Université Paris Ouest（巴黎第十大学）；CNRS（法国国家科学研究中心）；Université du Havre（勒阿弗尔大学）；CIRTAI；IDEES
临床决策支持系统结合了来自各种来源的知识和数据，这些来源由基于随机方法的定量模型或基于专家推理和演绎推理的定性模型表示。同时，基于案例的推理（CBR）记忆和返回解决类似问题的经验。异构临床知识库（知识对象、语义距离、评价函数、逻辑规则、数据库等）的协作是基于医学本体论的多代理决策支持系统（MADSS）能够集成和合作的代理专门在不同领域的知识（符号学，药理学，临床病例等）。每个专家代理操作一个知识库，该知识库定义了要保持的行为，该行为符合与表达所讨论的领域的术语之间的语义关系的本体论基础相关联的现有技术。我们的方法是基于专业化的代理人适应的知识模型，在临床步骤和本体。这种模块化的方法适用于许多领域的MADSS的实现。
2020-01-21 cs.AI
Proceedings of Symposium on Data Mining Applications 2014
Prince Sultan University（苏丹王子大学）
数据采掘与应用研讨会（SDMA 2014）旨在聚集来自统计、计算智能、模式识别、数据库、大数据采掘和可视化等数据采掘相关领域的研究人员和应用开发人员。SDMA是由MEGDAM组织的，旨在推动数据采掘研究领域的最新技术及其各种现实世界的应用。研讨会将为沙特阿拉伯、海湾合作委员会国家和中东地区的数据采掘和机器学习研究人员提供技术合作的机会。接受将主要基于原创性，重要性和贡献的质量。
2020-01-29 cs.AI cs.DB
Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue!
data.world AI Lab（data.world AI实验室）
针对Text-to-SPARQL问答中LLM生成错误路径查询的问题，提出OBQC本体语义检查与LLM修复相结合的方法，将基准准确率提升至72%、错误率降至20%。
2024-05-20 cs.AI cs.DB cs.IR
Mining International Political Norms from the GDELT Database
Indian Institute of Science（印度科学学院）；University of Otago（奥塔哥大学）
长期以来，研究人员一直对规范在多智能体系统中管理智能体行为中的作用感兴趣。在将人类社会的规范性概念正式化并使其适应开放软件系统的管理方面，以及在人类和人工社会中的规范性过程的模拟方面，已经做了很多工作。然而，一直有相对较少的工作应用规范MAS机制，以了解人类社会的规范。本书将在国际政治的背景下探讨这一问题。使用GDELT数据集，包含从新闻报道中提取的国际事件的机器编码记录，我们提取了国家间事件的双边序列，并应用贝叶斯规范挖掘机制来识别最能解释观察到的行为的规范。统计评价表明，规范模型拟合数据明显优于概率离散事件模型。
2020-04-20 cs.AI cs.MA
Explicit probabilistic models for databases and networks
University of Bristol（布里斯托大学）
最近在数据采掘和相关领域的工作突出了对数据采掘结果进行统计评估的重要性。这一努力的关键是为数据选择一个非平凡的空模型，可以将发现的模式与之进行对比。迄今为止提出的最有影响力的空模型是根据空分布的不变量定义的。这种空模型可以被计算密集型随机化方法用于估计数据采掘结果的统计显著性。在这里，我们介绍了一种方法来构建非平凡的概率模型的基础上最大熵（MaxEnt）原则。我们展示了MaxEnt模型如何允许先验信息的自然合并。此外，它们满足先前引入的随机化方法的许多期望的性质。最后，它们还有一个好处，即它们可以被显式地表示。我们认为，我们的方法可以用于各种数据类型。然而，为了具体起见，我们选择特别针对数据库和网络来展示它。
2009-06-29 cs.AI cs.DB cs.IT
Constraint-based Sequential Pattern Mining with Decision Diagrams
Carnegie Mellon University（卡内基梅隆大学）；University of Toronto Scarborough（多伦多大学士嘉堡校区）
约束序列模式挖掘的目的是在观察定义在项目属性上的约束的同时，识别项目序列数据库上的频繁模式。我们引入新的技术，基于约束的序列模式挖掘，依赖于多值决策图表示的数据库。具体来说，我们的表示可以容纳多个项目属性和各种约束类型，包括一些非单调约束。为了评估我们的方法的适用性，我们开发了一个基于MDD的前缀投影算法，并比较其性能对一个典型的生成和检查的变体，以及一个国家的最先进的基于约束的序列模式挖掘算法。结果表明，我们的方法是有竞争力的，或优于这些其他方法的可扩展性和效率。
2018-11-14 cs.AI cs.LG
SpotIt+: Verification-based Text-to-SQL Evaluation with Database Constraints
Amherst College（阿默斯特学院）；Simon Fraser University（西蒙弗雷泽大学）；VMware Research by Broadcom（Broadcom VMware 研究）
SpotIt+通过有界等价验证评估文本到SQL系统，结合规则和LLM方法挖掘约束，提升数据库差异识别能力。
2026-05-11 cs.AI cs.DB cs.LO
Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL
Amap, Alibaba Group（阿里巴巴集团高德）
同伴代理通过主动挖掘数据库中的隐藏关系和统计规律，提升文本到SQL在注释稀缺条件下的准确率。
2025-12-17 cs.AI cs.CL
Discriminant chronicles mining: Application to care pathways analytics
Rennes University 1（雷恩第一大学）；IRISA-UMR6074（法国国家信息与自动化研究所-混合研究单位6074）；AGROCAMPUS-OUEST（西部农业学院）；CHRU BREST（布雷斯特大学中心医院）；EA-7449 REPERES（REPERES研究团队）
药物流行病学（PE）是研究药物在明确定义的人群中的使用和影响。由于医疗管理数据库覆盖了很大一部分人口，它们已经成为非常有趣的进行体育研究。这样的数据库在真实条件下提供纵向护理路径，包含带时间戳的护理事件，特别是药物递送。时间模式挖掘成为获得有关药物使用的有价值见解的战略选择。提出了一种新的判别式时态模式挖掘算法DCM。它提取的编年史模式，发生在一个研究的人口比在控制人口。我们目前的结果识别癫痫患者的治疗途径中的癫痫发作和抗癫痫药物开关住院之间可能存在的关联。
2017-09-11 cs.AI cs.DS
