OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing
本文提出OntoKG方法，通过内在-关系路由机制设计可重用的本体分析 schema，构建了34.0M节点和61.2M边的知识图谱，验证了其在本体结构分析、标注审计等任务中的有效性。
2026-04-03 cs.AI
Towards Ontology Reshaping for KG Generation with User-in-the-Loop: Applied to Bosch Welding
Bosch Center for AI（博世人工智能中心）；University of Oslo（奥斯陆大学）；Nanjing University（南京大学）
知识图谱（KG）在广泛的应用中使用。由于工业中的数据量和多样性，KG生成的自动化是非常期望的。生成领域知识库的一个重要方法是将原始数据映射到给定的领域知识库模式，即领域本体，并根据领域本体构造实体和属性。然而，这种本体的自动生成是苛刻的，现有的解决方案往往不能令人满意。一个重要的挑战是本体工程的两个原则之间的权衡：面向知识和面向数据。前者规定本体应建模领域的一般知识，而后者强调反映数据的特殊性，以确保良好的可用性。我们通过我们的本体重塑方法来解决这一挑战，该方法将给定的领域本体转换为较小的本体，作为KG模式。领域本体可以被设计为面向知识的，KG模式覆盖了数据的特性。此外，我们的方法允许在循环中包含用户偏好的选项。我们展示了我们正在进行的本体重塑研究，并提出了一个评估使用真实的工业数据，有希望的结果。
2022-09-22 cs.AI
Retrieval-Augmented Generation of Ontologies from Relational Databases
Institute for Artificial Intelligence, University of Stuttgart（人工智能研究所，斯图加特大学）；University of Southampton（南安普顿大学）；Universitätsklinikum Leipzig（莱比锡大学医院）
研究从关系数据库生成语义丰富的OWL2DL本体的问题，提出RIGOR方法，通过大语言模型驱动，从多源检索并迭代生成本体片段，经验证和纠正后集成，实验表明该方法优于基线且无需人工监督。
2026-07-28 cs.AI cs.DB
Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema
Chinese University of Hong Kong（香港中文大学）
本文提出一种本体引导的LLM知识图谱构建方法，通过生成能力问题、提取关系并与Wikidata对齐来约束生成过程，在基准数据集上取得有竞争力的效果，实现了低人工干预、高质量且可解释的知识图谱自动构建。
2024-12-30 cs.AI cs.IR
Amnestic Forgery: an Ontology of Conceptual Metaphors
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）
本文在概念隐喻理论的启发下，提出了一个基于MetaNet的隐喻语义本体-遗忘伪造。Amnestic Forgery重用和扩展了Framester模式，作为一个理想的本体设计框架，以处理框架，角色，映射和最终混合的符号和参考方面。资源的描述提供了讨论其应用程序，从隐喻生成的例子，和隐喻映射的参考问题。架构和数据都可以从Framester SPARQL端点获得。
2018-05-30 cs.AI cs.CL
A Comprehensive Survey of Ontology Summarization: Measures and Methods
University of Georgia（佐治亚大学）；Georgia Southern University（佐治亚南方大学）
语义Web正在成为一个大规模的框架，使数据能够以本体的形式发布，共享和重用。本体作为语义网的基本构件，由数据层和模式层两层组成。随着当前本体在数据量和模式复杂度方面的指数级发展，本体理解在本体工程、本体学习等不同任务中发挥着重要作用，变得越来越困难本体摘要作为一种从本体中提取知识并生成简化版本以便于更好地理解的方法，近年来受到越来越多的关注。有各种方法可用于本体摘要，这些方法专注于不同的措施，以便为给定的本体产生适当的摘要。在本文中，我们主要集中在本体摘要的常用度量，并满足了本体摘要的最新发展。
2018-01-05 cs.AI cs.IR
Query-based Industrial Analytics over Knowledge Graphs with Ontology Reshaping
Bosch Center for Artificial Intelligence（博世人工智能中心）；Oslo Metropolitan University（奥斯陆城市大学）；University of Oslo（奥斯陆大学）；Nanjing University（南京大学）；City, University of London（伦敦城市大学）
包括设备诊断和异常检测在内的工业分析严重依赖于异构生产数据的集成。知识图谱作为数据格式和本体作为统一的数据模式是一种重要的解决方案，它提供了高质量的数据集成和一种方便的、标准化的方式来交换数据并在其上分层分析应用。事实上，这样的知识库大大增加了用户编写查询的训练时间，消耗大量的存储冗余信息，并且难以维护和更新。为了解决这个问题，我们提出了一个本体重塑的方法，将本体转化为KG模式，更好地反映了底层数据，从而有助于构建更好的KG。在这张海报中，我们对我们正在进行的研究进行了初步讨论，通过一组丰富的SPARQL查询来评估我们的方法，并讨论了我们的发现。
2022-09-22 cs.AI cs.DB
LLM-Assisted Ontology Engineering and Construction of a French Legal Knowledge Graph
Université Côte d'Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Berger-Levrault（贝尔热-勒弗罗公司）
针对法国维护法规处理难题，提出两阶段大语言模型辅助工作流程，先进行本体工程，再构建知识图谱。经实验，该流程输出强大、对齐良好，减少重复，明确关键细化步骤。
2026-07-28 cs.AI
Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders
Indian Institute of Technology Jodhpur（印度技术学院乔德普尔分校）
Plant Memory系统通过技术语言处理构建符合ISO 14224的维护本体，解决SAP PM工单故障知识不可用问题，实验显示其在故障知识提取和根本原因诊断上优于原始SAP数据。
2026-10-15 cs.AI cs.CL
An Ontology for Machine Learning Interatomic Potentials
研究机器学习原子间势元数据分散问题，提出MLIPs本体，涵盖方法、训练数据和基准三个模块，连接相关现有本体，通过示例展示和评估，增强数据完整性与一致性。
2026-07-28 cs.AI cs.DB cs.DL
Traceable Context-Enriched Knowledge Graph Generation with Induced Schemas
University of Science and Technology of China（中国科学技术大学）
提出 TRACE-KG 框架，通过数据驱动模式联合构建上下文增强的知识图谱和归纳模式，无需预定义本体，解决长技术文档中图谱碎片化问题。
2026-10-20 cs.AI cs.IR cs.LG
SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（信息工程研究所，中国科学院，北京，中国）；School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（网络安全学院，中国科学院大学，北京，中国）；School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（人工智能学院，中国科学院大学，北京，中国）
研究针对模式图这一信息提取瓶颈，提出SCOPE基准和SCION参考管道。通过从训练文本构建候选空间，经严格JSON合同进行相关操作。在SCOPE核心套件上，SCION-lite表现最佳，SCION-RL减少对专有工程师依赖，还给出标准化结果及相关发布内容。
2026-07-27 cs.AI cs.LG
Template-as-Ontology: Configurable Synthetic Data Infrastructure for Cross-Domain Manufacturing AI Validation
Siemens Digital Industries Software（西门子数字工业软件）
本文提出一种模板作为本体的方法，通过单一Python配置模块生成制造仿真和AI分析工具的统一数据结构，验证了跨领域制造AI验证的可行性。
2026-05-11 cs.AI
The AnIML Ontology: Enabling Semantic Interoperability for Large-Scale Experimental Data in Interconnected Scientific Labs
School of Computer Science & Informatics, University of Liverpool（利物浦大学计算机科学与信息学院）；Unilever Plc. Materials Innovation Factory, University of Liverpool（联合利华公司材料创新工厂，利物浦大学）
本文提出AnIML本体，通过专家在环方法结合LLM需求提取与协同本体工程，实现AnIML与Allotrope数据格式的语义对齐，解决异构实验数据系统的互操作性问题。
2026-04-02 cs.AI
The Schema Editor of OpenIoT for Semantic Sensor Networks
RMIT University（皇家墨尔本理工大学）；EPFL（洛桑联邦理工学院）；Insight Centre for Data Analytics（洞察数据分析中心）；National University of Ireland, Galway（爱尔兰国立高威大学）
本体在诸如物联网之类的领域中提供对数据的概念抽象，其方式是传感器数据可以由人和应用程序收集和解释。语义传感器网络（SSN）本体是传感器观测和元数据的语义表示的事实标准，它被用于物联网开源平台OpenIoT的核心。在本文中，我们提出了一个模式编辑器，提供了一个直观的Web界面，用于定义新类型的传感器，以及它们的具体实例，使用SSN本体作为核心模型。该编辑器与OpenIoT平台完全集成，用于生成虚拟传感器描述并自动化其语义注释和注册过程。
2016-06-21 cs.AI cs.HC
OntoMetric: An Ontology-Driven LLM-Assisted Framework for Automated ESG Metric Knowledge Graph Generation
School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）；Faculty of Sciences, Engineering and Technology, The University of Adelaide（阿德莱德大学科学、工程与技术学院）；School of Information Systems and Technology Management, University of New South Wales（新南威尔士大学信息系统与技术管理学院）
OntoMetric通过基于本体的LLM辅助框架，实现了从监管文件中自动化生成ESG指标知识图谱，显著提升语义准确性和模式合规性，同时降低成本并提高效率。
2026-01-26 cs.AI cs.GR
An Ontology Construction Approach for the Domain Of Poultry Science Using Protege
Narasu’s Sarathy Institute of Technology（纳拉苏萨拉蒂理工学院）
现有的信息检索系统主要是基于关键词的全文匹配或基于主题的分类。这种关键字匹配往往返回大量无关信息，这不符合用户的查询要求。为了解决这一问题，并利用语义环境增强搜索，本文实现了一种家禽领域的本体技术。本体是当前语义环境研究领域的一种新兴技术。本文使用Protege 4.0构建了家禽本体，并为家禽本体的Web应用生成了资源描述框架模式和XML脚本。
2013-02-21 cs.AI
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
The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias
University of Mannheim（曼海姆大学）
本体对齐评估计划（OAEI）是本体匹配工具的年度评估。2018年，我们已经开启了知识图谱赛道，其目标是评估大规模知识图谱的实体和模式的同步匹配。在本文中，我们讨论了轨道的设计和两种不同的策略的金本位创造。我们分析的结果和经验，在第一版的轨道，并揭示了一个隐藏的任务，我们表明，所有的工具提交给轨道（可能也是其他轨道）遭受的偏见，我们命名为金锤偏见。
2020-02-24 cs.AI cs.DB
Ontology Design Facilitating Wikibase Integration -- and a Worked Example for Historical Data
Kansas State University（堪萨斯州立大学）；Michigan State University（密歇根州立大学）
Wikibase是Wikidata的基础软件，是一个强大的知识图谱创建和管理平台。然而，它是在考虑众包知识图谱创建场景的情况下开发的，这特别意味着它不是为用例场景而设计的，在这些场景中，将以本体的形式施加严格控制的高质量模式，并且实际上，独立开发的本体不一定无缝映射到维基库方法。在本文中，我们提供了所需的关键成分，以结合传统的本体建模与维基平台的使用，即一组\emph{axiom}模式，弥合范式的差距，连同使用说明和工作的历史数据的例子。
2022-05-27 cs.AI
The KnowWhereGraph Ontology
Wright State University（莱特州立大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；Kansas State University（堪萨斯州立大学）；Hydronos Labs（海德罗诺斯实验室）；University of Vienna（维也纳大学）；Arizona State University（亚利桑那州立大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Michigan State University（密歇根州立大学）
本文介绍了作为 KnowWhereGraph 模式的本体，阐述其需求、设计规范、模块化本体建模方法及部署实现，以支持多领域地理空间知识图谱应用。
2024-10-17 cs.AI
DINGO: an ontology for projects and grants linked data
ERCEA（欧洲研究理事会执行机构）
我们提出了DINGO（数据整合补助金本体论），本体论，提供了一个机器可读的可扩展框架，为语义启用的应用程序，相对于项目，资金，演员，特别是在研究领域的资助政策的数据建模。DINGO旨在产生高建模能力和弹性，以应对资金，研究和政策实践的巨大变化，这使得它也适用于除研究之外的其他领域，其中资金是一个重要方面。我们讨论了它的主要特点，遵循的原则，其发展，其社区摄取，其维护和演变。
2020-06-24 cs.AI cs.CY cs.DL
Knowledge Graph Representations for LLM-Based Policy Compliance Reasoning
University of Maine（缅因大学）
本文提出一个框架，通过构建知识图谱从AI政策文档中检索相关信息，评估五种LLM在42个政策问答任务上的表现，证明知识图谱增强提升了模型性能，且开放的LLM发现模式达到或超越了正式本体。
2026-04-30 cs.AI
Inseparability and Conservative Extensions of Description Logic Ontologies: A Survey
Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）；University of Liverpool（利物浦大学）；University of Bremen（不来梅大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
一个本体是否可以安全地被另一个可能更简单的本体替换的问题是许多本体工程和维护任务的基础。例如，它支持本体版本化、本体模块化、遗忘和知识交换。安全替换的含义取决于本体的预期应用。例如，如果它被用来查询数据，那么任何相关的本体中介查询的答案应该在任何相关的数据集上都是相同的;相反，如果本体被用于概念推理，那么概念表达式之间的必然包含应该一致。这就产生了不同的概念，本体不可分离，如查询不可分离和概念不可分离，推广相应的保守扩展的概念。我们调查结果的描述逻辑本体论的背景下，各种概念的不可分割性，讨论他们的应用程序，有用的模型理论的表征，算法确定是否两个本体是不可分割的（有时，计算它们之间的差异，如果他们不是），和这个问题的计算复杂性。
2018-04-20 cs.AI
OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；Tencent（腾讯）；University of Oxford（牛津大学）
语义嵌入已被广泛研究用于对齐知识图谱（KG）实体。目前的方法已经探索和利用了图结构，实体名称和属性，但忽略了本体（或本体模式），其中包含关键的Meta信息，如类和它们与实体的成员关系。在本文中，我们提出了一个本体指导的实体对齐方法命名为OntoEA，其中两个KG和它们的本体联合嵌入，类层次结构和类不相交性，以避免错误的映射。在七个公共和工业基准上的广泛实验证明了OntoEA的最新性能和本体的有效性。
2021-05-24 cs.AI cs.CL cs.LG
Development of the InBan_CIDO Ontology by Reusing the Concepts along with Detecting Overlapping Information
Eastern International University（东方国际大学）
2019冠状病毒病大流行是一个全球性的紧急情况，严重影响了各国的经济。Covid 19袭击了印度，当时该国的增长率处于过去10年来的最低水平。要从语义上分析这场大流行对经济的影响，需要有一个本体论。CIDO本体是一个标准化的本体，专门用于评估冠状病毒疾病的影响，并将其结果用于政府，行业专家和研究，医疗进步，技术创新采用等各个领域的专业人士的未来决策预测。然而，该本体并没有分析Covid 19大流行对印度银行业的影响。另一方面，Covid 19IBO本体论已开发用于分析Covid 19大流行对印度银行业的影响，但该本体论并未反映Covid 19数据的完整信息。因此，用户无法获得有关Covid 19及其对印度经济影响的所有相关信息。本文旨在通过重用其他数据源的概念来扩展CIDO本体，以显示Covid 19对印度经济部门的影响。我们还提供了一个简化的模式匹配方法，检测本体之间的重叠信息。实验分析证明了该方法的合理性。
2021-08-15 cs.AI
An Algebra of Lightweight Ontologies
PUC-Rio（里约热内卢天主教大学）
本文认为，某些本体论设计问题是有益的解决治疗本体论的理论，并通过定义一组操作，创建新的本体论，包括他们的约束，其他本体论。本文首先展示了如何在本体重用的上下文中使用这些操作，如何利用这些操作来比较不同的本体或本体的不同版本，以及这些操作如何以自底向上的方式帮助设计中介模式。本文的核心讨论了如何计算轻量级本体的操作，并解决了轻量级本体的约束集最小化的问题。最后，本文描述了一个实现的操作，作为一个Protégé插件。
2018-09-05 cs.AI cs.LO
Generative Ontology: When Structured Knowledge Learns to Create
Dynamind Research（Dynamind研究）
生成本体通过融合本体结构与LLM创造力，实现结构化知识生成，展示了在桌游设计中的有效性及跨领域应用潜力。
2026-02-09 cs.AI cs.CL
Ontology Revision based on Pre-trained Language Models
Nanjing University of Posts and Telecommunications（南京邮电大学）；Jilin University（吉林大学）；Southeast University（东南大学）
本文提出基于预训练语言模型的本体修订方法，通过定义四个评分函数和两种修订算法处理不可满足概念，在19个本体对上验证了有效性。
2023-12-26 cs.AI
EvoOntology: A Self-Evolving Ontology Layer for Data Agents
Renmin University of China（中国人民大学）
EvoOntology提出自进化本体层，通过MCP服务器封装模式、内容和工具层，让数据智能体运行时主动查询交互，经归因引导编辑与配对评估持续优化，在三个基准上优于现有方法。
2026-11-03 cs.AI cs.CL cs.DB
RELRaE: LLM-Based Relationship Extraction, Labelling, Refinement, and Evaluation
Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）；Unilever Plc. Materials Innovation Factory（联合利华材料创新工厂）；University of Liverpool（利物浦大学）
本文提出RELRaE框架，利用大语言模型从实验室XML模式中抽取并标注隐含关系，以支持知识图谱和本体构建，并验证了LLM在半自动本体生成中的有效性。
2025-07-04 cs.AI
Development of FDD-ON: an Ontology for VAV HVAC System Fault Detection and Diagnostics
该研究开发了用于VAV HVAC系统故障检测与诊断的本体FDD-ON，整合相关语义与库，经公开数据集评估，为推进可扩展的FDD解决方案提供了基础语义框架。
2026-08-03 cs.AI
EBOCA: Evidences for BiOmedical Concepts Association Ontology
Centro de Tecnología Biomédica（生物医学技术中心）；Universidad Politécnica de Madrid（马德里理工大学）
现在有大量的在线文档数据源。缺乏结构和格式之间的差异是自动提取信息的主要困难，这也对它的使用和重用产生了负面影响。在生物医学领域，DISNET平台的出现为研究人员提供了一个资源，通过大规模的异构源获得人类疾病网络范围内的信息。在生物医学领域，不仅要提供从不同来源提取的信息，而且要提供支持这些信息的证据。本文提出了EBOCA本体，它描述了（i）生物医学领域的概念和它们之间的关联，（ii）支持这些关联的证据;其目的是提供一种模式以改进该领域中证据和生物医学关联的出版和描述。本体已经成功地进行了评估，以确保没有错误，建模陷阱，并满足先前定义的功能要求。测试数据来自一个子集的DISNET和自动关联提取文本已被转换，根据建议的本体创建一个知识图谱，可以在实际情况下使用，并已被用于评估所提出的本体。
2022-08-01 cs.AI
Marriage is a Peach and a Chalice: Modelling Cultural Symbolism on the SemanticWeb
University of Bologna（博洛尼亚大学）；KNAW Humanities Cluster（荷兰皇家艺术与科学学院人文集群）
在这项工作中，我们填补了文化象征主义的背景下，语义网的空白。在早期工作的基础上，我们介绍了模拟本体论，本体模型的背景知识的象征意义，开发相结合的概念，从权威理论的拟像和模拟的让鲍德里亚的象征结构和内容取自“象征主义：一个全面的字典”由史蒂芬Olderr。我们重新设计了已经存在于异构资源中的符号知识，将其转换为我们的本体架构，以创建HyperReal，这是第一个完全致力于文化符号的知识图谱。第一个实验运行的知识图谱的符号表示的定量研究的潜力。
2021-11-03 cs.AI
Evo-DKD: Dual-Knowledge Decoding for Autonomous Ontology Evolution in Large Language Models
Radian Group Inc.（Radian集团）；Sri Sivasubramaniya Nadar College Of Engineering（纳德工程学院）
研究针对本体和知识图谱进化难题，提出Evo-DKD双解码器框架，结合结构化遍历与非结构化推理，通过动态注意力机制协调，经模拟在单流模式下近似双解码，实验证明其在多领域用例中优于基线，为知识库维护提供新范式。
2026-07-28 cs.AI
Ontology-to-tools compilation for executable semantic constraint enforcement in LLM agents
University of Cambridge（剑桥大学）；CMCL；CMPG
本体到工具的编译用于LLM代理中的可执行语义约束强制，通过生成知识图谱实例来强制执行语义约束，减少手动工程。
2026-02-03 cs.AI cs.IR
KNOW: A Real-World Ontology for Knowledge Capture with Large Language Models
Haltia, Inc.（哈尔蒂亚公司）
提出首个真实世界本体 KNOW，通过捕获人类生活普遍知识增强大语言模型，并提供 12 种编程语言库以促进 AI 互操作性与开发体验。
2024-05-30 cs.AI cs.CL
R2RML Mappings in OBDA Systems: Enabling Comparison among OBDA Tools
DIAG, Sapienza, University of Rome（罗马大学萨皮恩扎校区DIAG学院（DIAG, Sapienza, University of Rome））
在当今的大型企业中，必须存储和处理的数据量有显著增加的趋势。使这种情况复杂化的是，组织和管理根据单一、统一的模式结构化的大量数据的复杂性使得几乎没有一个地方可以满足信息需求。基于本体的数据访问（OBDA）范例旨在通过向系统的用户提供感兴趣的域（本体）的统一和共享的概念视图来减轻这种现象，同时仍然使得数据能够存储在由关系数据库管理的不同数据源中。在OBDA系统中，存储在源处的数据与本体之间的链接通过根据一组映射给出的声明性规范来提供。在这项工作中，我们专注于比较两个可用的OBDA系统，即Mastro和Ontop，通过采用基于W3C建议的OBDA规范。我们首先展示如何在Mastro中集成R2RML映射支持，这是最后一个缺失的功能，以便使系统能够使用仅基于与OBDA相关的W3C建议的规范。然后，我们继续在两个OBDA规范，NPD基准和ACI规范执行这些系统之间的比较。
2018-04-04 cs.AI cs.DB
An Ontology for Defect Detection in Metal Additive Manufacturing
University of Pavia（帕维亚大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
工业4.0应用的一个关键挑战是为自动化制造服务开发控制系统，这些系统能够解决数据集成和语义互操作性问题，以及监控和决策任务。为了解决先进制造系统中的这一问题，基于形式本体的原则性知识表示方法已经被提出作为异构数据源存在下的信息管理和维护的基础。此外，本体提供推理和查询能力，以帮助领域专家和最终用户在约束验证和决策的上下文中。最后，基于本体的先进制造服务的方法可以支持基于黑盒机器学习算法的监视、控制和仿真系统的行为的可解释性和可解释性。在这项工作中，我们提供了一种新的本体论的金属增材制造文献中已知的工艺引起的缺陷的分类。再加上一个正式表示的特征和来源的缺陷，我们整合了我们的知识库与国家的最先进的本体在该领域。我们的知识库旨在通过添加进一步的缺陷分析术语和诊断推理功能来增强增材制造本体的建模能力。
2022-09-29 cs.AI cs.LO
Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs
University of Bonn（波恩大学）；L3S Research Center, Leibniz Universität Hannover（汉诺威莱布尼茨大学L3S研究中心）
OpenStreetMap（OSM）是最丰富的自愿地理信息公开来源之一。虽然OSM包括各种地理实体，但它们的描述是高度异构的，不完整的，并且不遵循任何定义良好的本体。知识图谱可以潜在地提供有价值的语义信息以丰富OSM实体。然而，由于大的、异构的、模糊的和平坦的OSM模式以及注释稀疏性，将OSM实体与知识图谱互连固有地困难。本文通过联合考虑模式层和实例层，从整体上解决了OSM标记与相应知识图谱类的对齐问题。我们提出了一种新的神经体系结构，利用共享的潜在空间标签到类对齐使用OSM和知识图谱中的链接实体创建。我们的实验进行对齐OSM数据集的几个国家与两个最突出的公开可用的知识图谱，即维基数据和DBpedia，表明所提出的方法优于国家的最先进的模式对齐基线高达53个百分点的F1分数。由此产生的对齐促进了全球超过1000万OSM实体的新语义注释，与OSM中现有的语义注释相比，增加了400%以上。
2021-07-28 cs.AI cs.LG
Knowledge Patterns
Boeing（波音公司）；University of Texas（得克萨斯大学）
本文介绍了一种新的技术，称为“知识模式”，用于帮助构建公理丰富的，正式的本体，识别和明确表示的知识（理论图式）在本体中的重复模式的基础上，然后说明这些模式映射到特定领域的概念在本体。从建模的角度来看，知识模式提供了对形式本体结构的重要见解：而不是将形式本体简单地视为术语和公理的列表，知识模式将其视为抽象的模块化理论（“知识模式”）的集合，以及说明如何使用这些理论对世界的不同方面进行建模的建模决策的集合。知识模式使这些抽象理论及其到感兴趣领域的映射变得明确，从而使建模决策变得清晰，并避免了可能出现的一些本体论混乱。此外，从计算的角度来看，知识模式提供了一个简单的和计算效率的机制，促进知识重用。我们描述的技术和使用它们构建的应用程序，然后批评它的优点和缺点。我们的结论是，这种技术使我们能够更好地解释结构和建模决策时，构建一个正式的公理丰富的本体。
2020-05-08 cs.AI
Generative Ontology Induction: Domain-Agnostic Schema Discovery from Document Corpora Using Large Language Models
Pivots Global（Pivots全球公司）
研究针对本体工程瓶颈，提出领域无关的生成式本体归纳框架GOI，从文档语料库归纳生成蓝图并输出类型化图，引入节点覆盖分数评估，实验表明该方法能高比例覆盖结构主干，且覆盖率不受文档类型熟悉度影响。
2026-07-21 cs.AI
OMD-GraphRAG: Enhancing GraphRAG with Ontology-Guided Extraction, Multi-Dimensional Clustering and Dual-Channel Fusion
Data Science & Artificial Intelligence Research Institute（数据科学与人工智能研究院）
提出OMD-GraphRAG框架，通过本体引导知识提取、多维社区聚类和双通道图检索融合，提升GraphRAG在复杂推理和多跳查询中的性能。
2026-05-26 cs.AI cs.IR
Spontaneous Analogy by Piggybacking on a Perceptual System
Naval Research Laboratory（海军研究实验室）；Navy Center for Applied Research in Artificial Intelligence（海军人工智能应用研究中心）
大多数类比的计算模型假设它们被给予一个划定的源域，并且通常是一个指定的目标域。这些系统没有解决类似物如何从大的域中分离出来，并从长期记忆中自发地提取出来，我们称之为自发类比的过程。我们提出了一个系统，代表关系结构的功能袋。使用这种表示，我们的系统利用感知算法自动创建一个本体的关系结构，并有效地检索类似的新的关系结构从长期记忆。我们提供了一个演示我们的方法，需要一组未分割的故事，构建一个本体的类比模式（对应于情节设备），并使用此本体有效地找到新的故事中的类似物，产生显着的时间节省线性模拟检索在一个小的精度成本。
2013-10-10 cs.AI cs.LG
Evaluating approaches for supervised semantic labeling
Siemens（西门子）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
关系数据源仍然是存储企业或Web数据的最流行的方法之一，然而，关系模式的问题是缺乏定义良好的语义描述。公共本体提供了一种表示关系模式的含义的方法，并且可以促进域中异构数据源的集成。语义标记是通过将数据源的属性映射到本体中的类和属性来实现的。我们制定这个问题作为一个多类分类问题，以前标记的数据源被用来学习规则标记新的数据源。大多数现有的语义标记方法都集中在数据集成的挑战，如命名冲突和语义异构性。此外，机器学习方法通常存在类不平衡、缺少标记实例和属性相对重要性的问题。为了解决这些问题，我们开发了一个新的机器学习模型与工程功能，以及两个深度学习模型，不需要广泛的功能工程。我们用最先进的技术来评估我们的新方法。
2018-01-29 cs.AI cs.CL cs.LG
Pattern-based design applied to cultural heritage knowledge graphs
University of Bologna（博洛尼亚大学）；Central Institute for Cataloguing and Documentation（中央编目与文献研究所）；Ministry of Cultural Heritage and Activities（文化遗产与活动部）；Institute of Cognitive Sciences and Technologies（认知科学与技术研究所）；Italian National Research Council（意大利国家研究委员会）
本体设计模式（ODPs）已经成为保证高质量本体工程的既定和公认的实践。有几个ODP存储库，其中ODP是共享的，以及本体设计方法，建议重用它们。建议执行严格的测试，以及支持本体维护和验证产生的资源对它的激励需求。然而，要找到如何应用这些方法来开发特定领域的知识图谱的指导方针并不那么简单。ArCo是意大利文化遗产的知识图谱，采用极限设计（XD）开发，这是一种ODP和测试驱动的方法。在其开发过程中，XD已经适应了CH领域的需求，例如从开放的、多样化的消费者社区收集需求，定义了新的ODP，并且许多ODP已经专门用于满足特定的CH需求。本文介绍了ArCo，并介绍了如何应用XD的CH知识图谱的开发和验证，还详细介绍了（智能）的过程中遇到的建模问题匹配ODP。相关的贡献还包括一个新的网络工具，支持单元测试的知识图谱，严格的评估ArCo，并讨论在ArCo开发过程中吸取的方法学经验教训。
2020-06-20 cs.AI cs.CY cs.DB
The Music Meta Ontology: a flexible semantic model for the interoperability of music metadata
King’s College London（伦敦国王学院）；University of Bologna（博洛尼亚大学）
针对音乐元数据语义描述的开放性挑战，本研究提出灵活的Music Meta本体，遵循eXtreme Design等方法构建，支持多模式对齐与数据转换，助力音乐数据集的互操作与知识应用。
2023-11-07 cs.AI cs.IR cs.MM
The Artificial Intelligence Ontology: LLM-assisted construction of AI concept hierarchies
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；UC Berkeley（加州大学伯克利分校）；Helen Wills Neuroscience Institute（海伦·威尔斯神经科学研究所）；Redwood Center for Theoretical Neuroscience（红杉理论神经科学中心）
本文提出人工智能本体AIO，通过人工策展与大语言模型辅助，构建涵盖Networks、Layers、Functions、LLMs、Preprocessing和Bias六大分支的AI概念层级体系，并开源发布以支持标准化术语与跨学科研究。
2024-04-03 cs.AI cs.LG
Evonne: Interactive Proof Visualization for Description Logics (System Description) -- Extended Version
TU Dresden（德累斯顿工业大学）
描述逻辑蕴涵的解释为大型本体的维护提供了重要的支持。在本体编辑器中通常用于此目的的“证明”精确指出本体中负责给定蕴涵的部分。蕴涵的证明使中间的推理步骤变得明确，从而解释了一个结论实际上是如何推导出来的。我们提出了一个交互式的系统，探索描述逻辑证明，称为Evonne，可视化的表达DL写的本体论的后果证明。我们描述了用于计算这些证明的方法，以及一个称为基于签名的证明浓缩的功能。此外，我们使用真实的本体来评估生成的证明的质量。
2022-05-19 cs.AI cs.LO
Clinical Knowledge Graph Construction and Evaluation with Multi-LLMs via Retrieval-Augmented Generation
University of Missouri–Kansas City（密苏里大学-堪萨斯城分校）；California State University, Fullerton（加州州立大学弗雷斯诺分校）
本文提出基于多语言模型的临床知识图谱构建与评估框架，通过检索增强生成策略实现从自由文本到可解释、临床相关知识图谱的端到端构建与持续优化。
2026-01-05 cs.AI
FBS Model-based Maintenance Record Accumulation for Failure-Cause Inference in Manufacturing Systems
Department of Precision Engineering, School of Engineering（精密工程系）；Research into Artifacts Center for Engineering (RACE)（工程制品研究中心）；DENSO CORPORATION（DENSO公司）
本研究构建了Diagnostic Knowledge Ontology并提出基于FBS模型的维修记录积累方法，通过结构化故障知识支持维护阶段的故障原因推断，在困难案例中表现优于专家一致性，并为工程链知识共享奠定基础。
2025-10-13 cs.AI cs.IR
Structural Quality Metrics to Evaluate Knowledge Graphs
本文提出了六种结构质量度量标准，可以衡量知识图谱的质量，并分析了五种跨领域的知识图谱（Wikidata，DBpedia，YAGO，Google知识图谱，Freebase）以及Naver的集成知识图谱“Raftel”。“好的知识图谱”应该在其本体中定义详细的类和属性，以便可以丰富地表达现实世界中的知识。此外，实例和RDF三元组应该积极使用类和属性。因此，我们试图通过关注本体的结构（即知识图谱的模式）及其使用程度来用数字检查知识图谱的内部质量。分析的结果是，有可能发现仅通过类和属性的数量等与规模有关的指标无法了解的知识图谱的特征。
2022-12-09 cs.AI
Extracting Semantics: LLM-Guided Automatic Population of Robot Ontology from URDF
LAAS-CNRS, Department of Robotics, Toulouse, France（法国图卢兹机器人系CNRS实验室）
提出利用大语言模型从URDF文件自动生成机器人语义本体，通过多数投票和语法验证确保与现有本体对齐，初步实验表明该方法能有效桥接低层描述与高层知识表示。
2026-06-17 cs.AI cs.RO
OntoGSN: An Ontology-Based Framework for Semantic Management and Extension of Assurance Cases
fortiss research institute（fortiss研究机构）；Mälardalen University（马尔默达伦大学）
OntoGSN通过本体和中间件实现保障案例的语义管理和扩展，提供知识表示和查询功能，并在对抗鲁棒性保障中展示实用性。
2025-12-19 cs.AI cs.SE
