HuTO: an Human Time Ontology for Semantic Web Applications
INRIA Sophia Antipolis(法国国家信息与自动化研究所索菲亚-安提波利斯中心);Univ. Nice Sophia Antipolis(尼斯索菲亚-安提波利斯大学);CNRS(法国国家科学研究中心);Université Gaston Berger(加斯顿·伯杰大学)
时间现象有许多方面,由不同的社区研究。在语义Web中,处理和产生大量的异构数据。这些数据往往有非正式的,半正式或正式的时间信息,必须解释的软件代理。在本文中,我们提出了人类时间本体(HuTO)的RDFS本体标注和表示时态数据。HuTO的一个主要贡献是对非凸区间进行建模,从而能够为这种区间编写查询。HuTO还结合了规范化和推理规则来明确某些信息。HuTO还提出了一种将时间维度与知识库内容相关联的方法。这通过考虑或不考虑时间方面来促进信息检索。
2015-06-19 cs.AI
Leveraging LLMs for Collaborative Ontology Engineering in Parkinson Disease Monitoring and Alerting
Intelligent Systems Laboratory, Department of Cultural Technology and Communication, University of the Aegean(爱琴海大学智能系统实验室);Artificial Intelligence Laboratory, Department of Digital Systems, University of Piraeus(比雷埃克斯大学人工智能实验室)
本文研究了利用大语言模型进行帕金森病监测与预警本体工程,通过人机协作提升本体的全面性和准确性。
2025-12-16 cs.AI
Ontology Enabled Hybrid Modeling and Simulation
University at Buffalo(布法罗大学);The MITRE Corporation(MITRE公司)
本研究探究本体对混合建模与仿真的增强作用,区分两类本体解决三维互操作性挑战,结合语义网技术实现双重功能,通过四个案例验证实效,最后分析相关挑战与机遇。
2025-06-14 cs.AI
Onto4MAT: A Swarm Shepherding Ontology for Generalised Multi-Agent Teaming
University of New South Wales(新南威尔士大学)
近年来,多智能体团队合作的研究大幅增加,支持团队合作过程的基于知识的系统通常专注于为团队提供功能(通信)解决方案,以响应方向。使人类能够有效地与一群自主认知代理进行交互和合作是人类群体合作研究中的一个开放性研究挑战,部分原因是专注于开发支持这些系统的使能架构。通常,代理之间的双向透明性和共享语义理解并没有优先考虑人群合作中的设计机制,这可能限制了人类和群团队如何通过概念和上下文\textemdash共享理解和信息\textemdash数据以实现目标。为了解决这个问题,我们提供了一个正式的知识表示设计,使集群人工智能的原因,其环境和系统,最终实现一个共同的目标。我们提出了本体的广义多智能体合作,Onto4MAT,使人类和团队之间更有效的合作,通过生物启发的方法牧羊。
2022-03-24 cs.AI
Information-theoretic Interestingness Measures for Cross-Ontology Data Mining
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Arizona(亚利桑那大学);Mississippi State University(密西西比州立大学)
具有来自多个生物本体的概念的生物实体的社区注释已经创建了具有正交本体之间的嵌入式隐式关系的基于本体的注释数据的大型且不断增长的存储库。开发有效的数据采掘方法和度量来挖掘和评估所挖掘的关系的质量没有跟上注释数据的增长。在这项研究中,我们提出了一个数据采掘的方法,使用本体指导的泛化发现跨本体的关系,以及一个新的兴趣度度量的基础上信息论。我们应用我们的数据采掘算法和兴趣度措施的数据集从基因表达数据库在小鼠基因组信息作为一个初步的概念证明,以挖掘小鼠解剖本体和基因本体概念(生物过程,分子功能和细胞成分)的发展阶段之间的关系。此外,我们提出了我们的兴趣度指标与现有的四个指标的比较。基于本体的注释数据集为发现跨本体的关系提供了宝贵的资源。使用高效的数据采掘方法和适当的兴趣度度量使得能够识别高质量的关系。
2016-05-16 cs.AI cs.CE q-bio.QM
Ontology Reasoning with Deep Neural Networks
University of Oxford(牛津大学)
进行逻辑推理的能力是智能人类行为的一个基本方面,因此也是通往人类水平的人工智能的一个重要问题。传统上,从知识表示和推理领域的逻辑为基础的符号方法已被用来装备代理的能力,类似于人类的逻辑推理素质。然而,最近,人们对使用机器学习而不是基于逻辑的符号形式主义来解决这些任务的兴趣越来越大。在本文中,我们采用最先进的方法来训练深度神经网络,以设计一种新的模型,该模型能够学习如何以基本本体推理的形式有效地执行逻辑推理。这是一个重要的,同时也是非常自然的逻辑推理任务,这就是为什么所提出的方法适用于大量重要的现实问题。我们提出了几个实验的结果,这表明我们的模型能够学习执行非常大的,多样的,具有挑战性的基准高度准确的本体推理。此外,事实证明,所提出的方法受到禁止基于逻辑的符号推理的各种障碍的影响要小得多,同时,从生物学的角度来看,令人惊讶地似乎是合理的。
2021-01-08 cs.AI
A Cyber Science Based Ontology for Artificial General Intelligence Containment
Capitol Technology University(国会理工大学)
人工智能的发展被许多人认为是不可避免的。这种智能在意识到之后会做什么并不确定。为此,研究表明,人工通用智能对人类产生敌意的可能性很大,足以让人们研究限制这种潜力的方法。因此,遏制人工通用智能是一个及时而有意义的研究课题。虽然探索可能的遏制战略的研究有限,但这些工作受到战略所借鉴的基本领域的限制。因此,我们着手构建一个本体来描述任何未来遏制技术中的必要元素。利用现有的学术文献,我们开发了一个单一的领域本体包含5个级别,32个代码,和32个相关的描述符。此外,我们构建了本体图来展示预期的关系。然后,我们将人类、AGI和网络世界确定为未来遏制活动所必需的新型代理对象。总的来说,这项工作解决了三个关键差距:(a)识别和安排基本结构;(b)将AGI遏制置于网络科学中;以及(c)在该领域内发展科学严谨性。
2021-08-01 cs.AI
HINO: a BFO-aligned ontology representing human molecular interactions and pathways
University of Michigan Medical School(密歇根大学医学院)
许多数据库资源,如Reactome,从同行评议的出版物中收集手动注释的反应,相互作用和途径。互动者(例如,蛋白质)、相互作用和途径在这些数据资源中通常被表示为使用BioPAX(标准途径数据交换格式)的实例。然而,这些相互作用更好地表示为类(或共性),因为它们总是在适当的条件下发生。本研究旨在通过与基本形式本体(BFO)对齐的形式本体,将各种人类交互路径和网络表示为类。为了实现这一目标,人类交互网络本体(HINO)是通过扩展BFO对齐的交互网络本体(INO)。在Reactome中列出并在BioPAX中表示的所有人类途径和相关过程和相互作用者首先通过在INO下对齐它们来转换为本体类。来自外部本体的相关术语和相关联的关系和层次(例如,CHEBI和GO)也被检索并导入HINO。HINO本体术语在链接的本体数据服务器Ontobee中解析。存储在RDF三元组存储中的RDF三元组可通过SPARQL程序查询。这样的本体系统支持高级途径数据集成和应用。
2013-11-14 cs.AI cs.DB q-bio.MN
Comparison of ontology alignment systems across single matching task via the McNemar's test
Delft University of Technology(代尔夫特理工大学);Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学);TNO Research Institute(TNO 研究所)
本体对齐被广泛用于发现不同领域中不同本体之间的对应关系。在发现对齐之后,可以使用几个性能分数来评估它们。分数通常需要所识别的对齐和包含给定本体的潜在实际对应关系的参考。对齐评估的当前趋势是提出新的分数(例如,精度、加权精度等)并通过并置所获得的分数来比较各种比对。然而,在其他指标中选择一个指标进行比较是非常具有挑衅性的。最重要的是,声称一个系统是否具有比另一个更好的性能不能仅仅通过比较两个标量来证实。在本文中,我们提出的统计程序,使我们能够在理论上有利于一个系统比另一个。麦克内马尔的测试是统计手段,通过比较两个本体对齐系统,本文提出了一个匹配任务,该检验适用于一个2 × 2列联表,该列联表可以根据线路的不同情况用两种不同的方法构造,每种方法都有各自的优点和缺陷。文中详细阐述了列联表的构造方法和McNemar检验中的各种适用统计量。在有两个以上线路系统进行比较的情况下,预期会发生全族出错率。因此,也讨论了防止这种错误的方法。有向图可视化了在存在多个对齐系统的情况下McNemar测试的结果。从这个图中,很容易理解一个系统是否优于另一个系统,或者它们的差异是否无法察觉。所提出的统计方法被应用于参加OAEI 2016解剖跟踪的系统,并且还比较用于相同匹配问题的几个公知的相似性度量。
2018-04-20 cs.AI
Determining Multifunctional Genes and Diseases in Human Using Gene Ontology
University of Houston - Clear Lake(休斯顿大学清湖分校);University of Baha(巴哈大学)
人类基因和疾病的研究是非常有益的,可以导致医疗保健,疾病诊断和药物发现的改进。本文主要是针对多功能基因对基因疾病关系的研究进行进一步的探讨。我们研究多功能基因疾病关系的基础上发表的基因的分子功能注释的基因本体论,这是最全面的来源基因功能。
2019-01-11 cs.AI cs.CE q-bio.GN
Ontology in Hybrid Intelligence: a concise literature review
University of Technology Sydney(悉尼科技大学)
本文综述了Ontology在Hybrid Intelligence中的应用,指出其在提升质量、互操作性和可解释性方面作用显著(70+%系统已应用),但指出文献缺乏对下一代混合智能环境的整体讨论及对自动推理的明确关注。
2023-10-17 cs.AI
An Ontology of Co-Creative AI Systems
本文提出共同创造型AI系统的本体论,扩展Lubart本体论,新增三个AI类别,以明确人机责任划分与信息交换。
2023-10-11 cs.AI cs.HC
Learning Weighted Association Rules in Human Phenotype Ontology
人类表型本体(HPO)是与一种或多种疾病相关的概念(HPO术语)的结构化存储库。关联的过程称为注释。HPO术语和注释的相关性和特异性通过定义为信息内容(IC)的度量进行评估。因此,分析注释数据是生物信息学的一个重要挑战。存在不同的分析方法。其中,关联规则(AR)的使用可以提供有用的知识,并且它已经被用于一些应用中,例如提高注释的质量。然而,经典的关联规则算法不考虑注释的来源,也不考虑产生低IC候选规则的重要性。提出了一种基于人类表型本体的加权关联规则挖掘方法HPO-Miner。HPO-Miner可以从生物学角度提取相关规则。一个案例研究使用HPO-Miner对公开的HPO注释数据集,以证明我们的方法的有效性。
2016-12-31 cs.AI q-bio.QM
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
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
Towards a Foundational Ontology for Identifying and Resolving Contradictions in Dialogue-based Human-Robot Interactions
Nord A1;Alternative Intelligence LLP;University of Bologna(博洛尼亚大学)
本研究基于活动理论构建名为ATFOt的基础本体,解决了人机交互领域缺乏可跨域互操作的矛盾表示框架的问题,给出了矛盾的多形式定义及交互指导原则。
2026-09-04 cs.AI cs.HC
Open Ontologies: Tool-Augmented Ontology Engineering with Stable Matching Alignment
The Tesseract Academy, London, United Kingdom(泰斯拉学院,伦敦,英国)
本文提出Open Ontologies系统,结合LLM驱动构建与形式OWL推理及本体对齐,发现稳定1对1匹配是本体对齐质量关键,且工具增强访问优于纯LLM解析。
2026-05-09 cs.AI cs.CL cs.DB
An ontology-based approach to relax traffic regulation for autonomous vehicle assistance
INRIA Rocquencourt(法国国家信息与自动化研究所罗康库尔)
所有车辆都必须遵守交通规则,无论是人力还是计算机驾驶的.然而,极端的交通情况可能会表现出实际情况,在这种情况下,车辆应该安全地和合理地放松交通管制,例如,为了不被无限期地阻塞并保持循环。在本文中,我们提出了一个高层次的表示自动驾驶汽车,其他车辆及其环境,这可以帮助司机采取这种“非法”,但实际的放松决定。这种高级表示(本体)包括拓扑知识和推理规则,以便计算自动驾驶车辆应该采取的下一个高级运动,作为对驾驶员的辅助。实际案例的结果。
2012-12-04 cs.AI
OntoSOC: Sociocultural Knowledge Ontology
University of Maroua(马鲁阿大学);University of Gaston Berger(加斯顿·伯杰大学);University of Nice Sophia Antipolis(尼斯索菲亚·安提波利斯大学);CNRS(法国国家科学研究中心)
提出了一种社会文化知识本体(OntoSOC)建模方法。OntoSOC建模方法基于Engestrom人类活动理论(HAT)。这一理论使我们能够确定基本概念和它们之间的关系。自上而下的过程被用来定义不同的子概念。建模的词汇表允许我们组织数据,通过在社交网络平台架构中引入语义层来促进信息检索,我们计划实施。该平台可被视为一个集体记忆和传播及分布式信息系统,使爱沙尼亚各社区能够分享关于长期有组织活动的共同建设知识。
2015-05-15 cs.AI
ONTrust: A Reference Ontology of Trust
Semantics, Cybersecurity \& Services, University of Twente, The Netherlands;Business Information Systems, University of Twente, The Netherlands;DAFIST, University of Genoa, Italy
ONTrust通过构建信任参考本体,提供信任概念的本体学基础,支持信息建模、自动推理和语义互操作性,应用于信任管理、AI设计等领域。
2026-02-07 cs.AI
Semantic Similarity Measures Applied to an Ontology for Human-Like Interaction
Carlos III University(卡洛斯三世大学)
本文的重点是计算两个概念之间的相似度从一个本体的类人交互系统。为了便于计算,提出了一个相似性函数的基础上构成的本体知识的结构的五个维度(排序,成分,本质,限制性和描述性)。该文件包括一个建议,计算每个维度的知识的相似性函数。随后,对获得的相似性值进行加权和聚合以获得全局相似性度量。为了计算与每个维度相关联的权重,已经提出了四种训练方法。培训方法在适合的元素上有所不同:用户,概念或概念对,以及混合方法。为了评估该提案,知识库由WordNet提供,并通过使用知识编辑工具包(Cognos)进行扩展。通过比较系统响应与人类测试对象给出的响应,对提案进行评估,既提供了程序合理性的衡量标准,又揭示了提案可以改进的方式。
2014-01-18 cs.AI cs.CL
Commonsense Ontology Micropatterns
Kansas State University(堪萨斯州立大学);Wright State University(莱特州立大学)
针对 MOMo 缺乏可直接使用的本体设计模式这一问题,本文利用 LLM 的常识知识整理 104 个常见名词模式,构建完全标注且可与 MOMo 配合使用的模块化本体设计库。
2024-02-28 cs.AI cs.LO
InBiodiv-O: An Ontology for Indian Biodiversity Knowledge Management
为了表达生物多样性信息,需要一个语义模型来连接生物及其栖息地的各种数据。模型必须能够编码人类知识,以便机器理解。本体提供了最丰富的机器可解释(而不仅仅是机器可处理)和显式的语义,被广泛用于生物多样性领域。生物多样性领域开发了各种本体论,但对当前景观的审查表明,这些本体论无法定义印度的生物多样性信息,尽管印度是megadiversity国家之一。为了从语义上分析印度生物多样性信息,建立一个本体来描述网络上非结构化格式数据中的所有基本术语是至关重要的。由于本体的管理在很大程度上取决于这些实现的领域,因此还没有定义理想的方法论以供普遍使用。本文的目的是开发一个本体,语义编码的所有条款的印度生物多样性信息的所有方面的基础上提出的方法。对所提出的本体的综合评价表明,该本体在特定领域中构建得很好。
2022-10-28 cs.AI
Ontology-Mediated Neurosymbolic Constraint Acquisition from Multiple Stakeholders
Siemens AG Österreich(西门子奥地利股份公司)
本文提出一种本体介导的神经符号架构,利用OWL本体统一LLM软偏好与硬件硬约束,通过描述逻辑检测冲突并生成解释以交互式重协商,适用于多利益相关方约束获取场景。
2026-09-25 cs.AI
Development of an Ontology to Assist the Modeling of Accident Scenarii "Application on Railroad Transport "
INRETS(法国国家交通与安全研究院);RAID Labs(RAID实验室);RIADI Labs(RIADI实验室)
在一个沟通和信息共享是我们业务核心的世界里,术语需求是最紧迫的。必须以协商一致和连贯一致的方式确定所使用和定义的术语,同时保持语言多样性。为了精简和加强训练事故数据库的获取、表述和利用过程,有必要统一和标准化安全领域各参与方使用的术语。该研究旨在通过跟踪系统、硬件、软件和人的错误,显着改善各种安全研究的分析活动和操作。本文介绍了本体建模的贡献,通过一个知识模型的基础上,通用本体和领域本体的轨道交通事故。在详细介绍了最先进的材料之后,本文介绍了开发模型的第一个结果。
2012-03-05 cs.AI
WiseOWL: A Methodology for Evaluating Ontological Descriptiveness and Semantic Correctness for Ontology Reuse and Ontology Recommendations
Department of Computer Science(计算机科学系);Kansas State University(堪萨斯州立大学);National Center for Ontological Research (NCOR)(本体研究国家中心(NCOR));University at Buffalo(布法罗大学);University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心);The University of Texas System(德克萨斯大学系统)
WiseOWL通过四个指标评估本体的描述性和语义正确性,帮助选择适合重用和推荐的本体,通过交互式可视化提升本体选择的系统性。
2026-04-13 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
Training Data Attribution for Image Generation using Ontology-Aligned Knowledge Graphs
National Centre for Scientific Research ``Demokritos''(国家科学研究中心「德莫克里特」);University of Glasgow(格拉斯哥大学)
本文提出利用本体对齐的知识图谱方法,通过多模态大语言模型提取图像中的结构化三元组,以追踪生成模型中训练数据的影响,从而提升透明度和可解释性。
2025-12-02 cs.AI
Redundancy-free Verbalization of Individuals for Ontology Validation
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
本文研究领域本体的Web本体语言(OWL)公理的语言化问题。现有的方法通过探索用不同的语言形式表达相同的OWL公理的不同方法来解决动词化的OWL文本对OWL语义的保真度问题。它们还执行将对应于每个OWL语句生成的自然语言(NL)句子分组和聚合成可理解的结构。然而,没有努力尝试在逻辑层面上的语义减少,以消除冗余和重复,使减少的公理集可以用于生成更有意义和人类可理解的(我们称之为无冗余)文本。实验结果表明,在逻辑层次上进行形式化语义约简有助于生成无冗余的本体实体描述。在本文中,我们特别关注基于SHIQ本体的个体描述的生成。一个案例研究的细节,以支持有用的冗余的NL描述的个人,在知识验证应用。
2016-07-24 cs.AI
Hierarchical Classification via Cascading Feature Elimination: Application to Human Phenotype Ontology-Aligned Facial Phenotyping (FaceMesh2HPO)
University of Augsburg(奥格斯堡大学);University of Bonn(波恩大学)
FaceMesh2HPO框架利用临床医生注释及图像生成3D面部网格,基于PointNet训练含级联分类与特征消除的分层管道,结合多种数据实现面部表型分类,虽有成果但罕见叶节点性能受限,需改进策略增强实用性。
2026-08-20 cs.AI cs.CV cs.LG
Ontology in Holonic Cooperative Manufacturing: A Solution to Share and Exchange the Knowledge
University of Rostock(罗斯托克大学);Fraunhofer Institute for Computer Graphic Research IGD(弗劳恩霍夫计算机图形研究所)
本文提出一种基于本体的整体控制解决方案,通过自主多智能体系统表示和交换协同制造知识,并在两人一机器人协作装配场景中验证其可行性。
2024-03-30 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
Modeling of Item-Difficulty for Ontology-based MCQs
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);Umm Alqura University(乌姆古拉大学)
可以从领域本体生成的多项选择题(MCQ)可以显着减少在电子学习环境中编写和管理评估所需的人力和时间。尽管存在用于从本体生成MCQ的各种方法,但是用于确定这样的MCQ的难度级别的方法较少探索。在本文中,我们研究了各个方面和因素,参与确定的难度得分的MCQ,并提出了一个基于本体的预测模型。该模型描述了与MCQ的词干和选择集相关的难度值,并描述了结合这两个分数的度量。此外,基于考生的技能水平分配难度分数的概念被用来预测一个茎的难度分数。我们研究了预测的难度分数的有效性的帮助下,从项目反应理论的心理测量模型,通过涉及真实的学生和领域专家。研究结果表明,被试的预测难度水平与实际难度水平具有高度的相关性。
2016-07-04 cs.AI
AGI as Second Being: The Structural-Generative Ontology of Intelligence
University of California, Berkeley(加州大学伯克利分校);University of California, San Diego(加州大学圣地亚哥分校)
本文提出智能的结构-生成本体论,指出真正智能需具备生成性、协调性与持续性深度,现有AI仅为表层模拟,满足条件的未来系统可成为与人类并存的第二存在。
2025-09-02 cs.AI
Ontology-Based Contextual AI Evaluations (OB-CAIE) Methodology
Humane Intelligence;Dynamical Systems Group(动力系统小组);Meta;Reliabl
OB-CAIE方法论通过定义领域特定本体和评估过程本体,明确测试内容,平衡人类与自动化,提升AI评估的科学严谨性、可复现性及失败点可追溯性。
2026-10-02 cs.AI cs.CY
Failure Ontology: A Lifelong Learning Framework for Blind Spot Detection and Resilience Design
Jilin University(吉林大学);Independent Researcher(独立研究员);BEIJING FORESTRY UNIVERSITY(北京林业大学)
本文提出失效本体论,通过识别和修复认知盲点提升学习效率,分析历史事件中的失效模式,揭示失败学习在有限数据下的高效性。
2026-04-12 cs.AI
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
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
Extracting ontology-compliant knowledge from scientific text describing irradiated materials using large language models
IBM Research(IBM研究院);Univ. of Granada, Spain(格拉纳达大学);IFMIF DONES, Spain(IFMIF DONES);Instituto de Ciencia de Materiales de Madrid (ICMM)(马德里材料科学研究所);CSIC, Spain(西班牙国家研究委员会);Universidad de Alicante, Spain(阿利坎特大学)
本文提出eolas模块化流水线,利用大语言模型自动将科学文献转换为符合指定本体的知识图谱,并在辐照材料领域验证其高效性,同时引入首个基准数据集,通过168个实验总结出实用指南。
2026-09-16 cs.AI
Ontology and Cognitive Outcomes
University at Buffalo(布法罗大学);Cognotekt GmbH(科格诺泰克有限公司);CUBRC, Inc.(CUBRC公司)
在这里,我们将“情报”理解为指为评估和维护国家安全而收集的知识项目。美国情报界(英语:Intelligence community of the United States,简称IC)是一个为美国收集和处理情报的组织团体。IC依赖于基于人机的分析策略,1)访问和整合来自不同来源的大量信息,2)持续处理这些信息,以便3)最大限度地全面了解世界参与者及其行为。在这里,我们描述了一种利用基于结果的学习(OBL)来支持这些努力的方法,该方法基于情报分析师进行的认知过程的本体论。对于认知过程本体论来说,特别重要的是被描述的类表示。这种表述在本质上是描述性的,其真实性值得信任。后者是因为一个被验证的表征总是由一个经过审查(或成功设计)的过程产生的,以可靠地产生真实的表征。因此,在其他上下文中,我们可能会称之为“知识项”。
2021-01-08 cs.AI
Mapping Biomedical Ontology Terms to IDs: Effect of Domain Prevalence on Prediction Accuracy
Computer Science Department(计算机科学系);Missouri State University(密苏里州立大学);Kummer Institute Center for AI and AS(Kummer研究所人工智能与自动系统中心);Missouri University of Science & Technology(密苏里科技大学);Cooperative Engineering Program(合作工程计划)
研究评估LLM将HPO、GO和UniProtKB术语映射到本体ID的能力,发现ID文献流行度显著预测准确率,但HUGO基因符号因高度词汇化而例外。
2025-05-12 cs.AI cs.CL
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
Janus: Automatic Ontology Builder from XSD Files
Orange Labs(奥兰奇实验室);University of Versailles(凡尔赛大学)
为一个大的领域构建一个参考本体仍然是一项艰巨的人工任务。这个过程有时会得到软件工具的帮助,这些软件工具有助于从文本语料库中提取信息抽取。尽管XML模式文件在互联网上,特别是在B2B领域中的大量使用,但提供XML模式完整语义分析的工具确实很少。在本文中,我们介绍Janus,一个工具,自动建立一个参考知识库从XML模式文件。Janus还提供了不同的有用视图来简化B2B应用程序集成。
2010-01-27 cs.AI cs.DB
An ontology-based chatbot for crises management: use case coronavirus
Tunis El Manar University(突尼斯埃尔马纳尔大学);Faculty of Sciences of Tunis(突尼斯理学院)
今天是机器智能的时代。随着人工智能的进步,机器已经开始模仿不同的人类特征,聊天机器人是会话服务领域的下一件大事。聊天机器人是一个虚拟人,能够与人进行自然对话。它们可以包括使它们能够以音频,视觉或文本格式与人类交谈的技能。人工智能对话实体,也称为聊天机器人、对话代理或对话系统,是这种机器的一个很好的例子。在正确的时间和地点获得正确的信息是有效灾害管理的关键。“灾害管理”一词包括自然灾害和人为灾害。为了帮助市民,我们的项目是创建一个COVID助理,以提供24小时可用的最新信息。随着万维网的发展,用户对快速和相关正确的信息感兴趣是可以理解的。聊天机器人可以被看作是一个问答系统,在这个系统中,专家提供知识来征求用户。这篇硕士论文致力于讨论COVID Assistant聊天机器人,并详细解释每个组件。建议聊天机器人的设计介绍了它的七个组成部分:本体,网页搜罗模块,数据库,状态机,关键字提取器,训练聊天机器人,和用户界面。
2020-11-02 cs.AI cs.HC
From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
Gamaizer;Université de technologie de Compiègne, CNRS, Heudiasyc(法国图尔学院、CNRS、Heudiasyc);Sorbonne Université, CNRS UMR 7585, LPMHE(索邦大学、CNRS UMR 7585、LPMHE)
提出一种基于本体(CCAI)的框架,通过结构化建模任务、角色、资源和约束,将提示-响应交互转化为可查询的协作轨迹,以提升信息密集型工作流中的可追溯性和问责性。
2026-05-28 cs.AI cs.HC cs.IR
Active Learning for Product Type Ontology Enhancement in E-commerce
The Home Depot(家得宝)
基于语义的语义搜索已被现代搜索引擎广泛采用,以通过理解用户的意图来提高搜索的准确性。在电子商业中,准确、完整的产品类型(PT)本体对于识别查询中的产品实体和从目录中检索相关产品至关重要。然而,寻找产品类型(PT)构建这样的本体通常是昂贵的,由于它可能涉及相当数量的人力。在这项工作中,我们提出了一个主动学习框架,有效地利用领域专家的知识PT发现。我们还在实验结果中显示了所得到的PT的质量和覆盖率。
2021-03-11 cs.AI cs.CL cs.LG
ILexicOn: toward an ECD-compliant interlingual lexical ontology described with semantic web formalisms
INRIA Sophia Antipolis(法国国家信息与自动化研究所索菲亚·安蒂波利斯分部);EPI Edelweiss(EPI Edelweiss研究团队)
我们有兴趣在自然语言和语义网之间架起一座桥梁,特别是支持对数据网的自然多语言访问。在本文中,我们介绍了一种新类型的词汇本体称为语际词汇本体(IlexicOn),它使用语义网形式化,使每个语际词汇单元类(ILUc)支持其语义分解的投影本身。在对现有的词汇本体进行了简短的概述之后,我们简要介绍了我们使用的语义网形式主义。然后,我们提出了我们的方法的三层架构:i)的语际词汇元本体(IlexiMOn); ii)ILUcs正式定义的IlexicOn; iii)数据层。我们用一个独立的IlexicOn来说明我们的方法,并介绍和解释一个简洁的人类可读的符号来表示IlexicOn。最后,我们展示了如何语义网形式主义,使一个语义分解的投影上分解的ILUc。
2012-04-24 cs.AI cs.CL
Digital me ontology and ethics
Macedonian Academy of Sciences and Arts(马其顿科学与艺术学院);Ss. Cyril and Methodius University in Skopje(斯科普里圣西里尔与圣美多迪乌斯大学)
本文讨论了一个称为数字我的人工智能智能体的本体论和伦理学问题,我们将数字我定义为自主的、决策的、学习的智能体,它代表一个个体,具有几乎不朽的生命。我们假设数字化的我具备大五人格模型,确保它提供了强人工智能某些方面的模型:意识、自由意志和意向性。由于基于计算机的人格判断比人类做出的人格判断更准确,数字我可以判断数字我所代表的个人的人格、其他个人的人格以及其他数字我。我们描述了数字我的七个本体论性质:数字存在与数字我的双层地位,数字我与真实我,心灵-数字我与身体-数字我,数字我与影子数字我,非人类时间概念,社会性,实践不朽。我们认为,随着人工智能科学和技术的进步,存在两个数字我阈值。第一个门槛定义了数字我具有某种(初步)意识形式、自由意志和意向性。第二个门槛假设数字我具备道德学习能力,这意味着,原则上,数字我可以发展自己的道德,这与人类对道德的理解有很大不同。最后,我们讨论了数字我的元伦理学,规范和应用伦理学的含义,在数字我的黄金法则的实施,我们建议两套数字我的规范性原则:结果主义和基于责任的数字我原则。
2020-12-22 cs.AI cs.CY
LB2CO: A Semantic Ontology Framework for B2C eCommerce Transaction on the Internet
Jawaharlal Nehru Technological University(贾瓦哈拉尔·尼赫鲁科技大学)
业务本体可以增强复杂企业系统的成功开发,这是通过知识共享和领域中每个实体之间的轻松通信来实现的。通过人与Web资源的语义交互,机器对Web下以机器可解释的形式发布的数据进行解释。然而,在电子商务领域的业务本体的理论实践是相当少的,特别是在电子交易部分,和各种技术用于获得有效的跨领域的通信是容易出错的,并不总是保证是有效的,在获得预期的结果,由于实体之间的语义集成差。为了克服语义集成差,本研究重点提出本体LB2CO,它结合了IDEF5和SNAP的框架作为分析工具,自动推荐的产品和服务,并创建有效的本体框架B2C交易和通信跨不同的业务领域,促进互联网上的B2C交易的互操作性和集成。
2014-01-05 cs.AI cs.CY
Ontology Based Information Extraction for Disease Intelligence
Postgraduate Institute of Science, University of Peradeniya(佩拉德尼亚大学科学研究生院);University of Peradeniya(佩拉德尼亚大学)
疾病情报(Disease Intelligence,DI)是通过收集和整合世界各地的零散疾病知识,为医生、研究人员和信息寻求者提供有价值的信息。有些疾病在世界不同地方有其自身的特点,变化很快,在文件中报告为不相关和异质的信息,可能未被注意到,也可能无法迅速获得。本研究提出了一个基于本体论的理论框架,在医疗情报和国家/地区的背景下。本体论的目的是存储有关快速传播和变化的疾病的信息,将现有的疾病分类纳入人类和传染性生物体的遗传信息。它进一步将疾病症状映射到疾病,并将药物效应映射到疾病症状。机器可理解的疾病本体表示为一个网站,从而允许药物的效果进行评估的疾病症状,并暴露在人类疾病的遗传参与。在现有分类中没有已知位置但有遗传学数据的传染性病原体仍将通过该系统的智能被识别为生物体。它将进一步促进该主题的研究人员尝试不同的治疗疾病的解决方案。
2012-11-15 cs.AI cs.DL cs.IR
Towards ontology driven learning of visual concept detectors
Dextro Robotics, Inc.(德克斯特罗机器人公司)
近年来,深度学习技术的成熟使得视觉媒体中的对象识别取得了突破。虽然对于一些特定的基准,神经技术似乎匹配,如果不是优于人类的判断,挑战仍然是开放的检测任意视频中的任意概念。在本文中,我们提出了一个系统,结合了神经技术,一个大规模的视觉概念本体,和一个主动学习循环,提供在飞行模型学习的任意概念。我们给出了一个概述的系统作为一个整体,并专注于本体论的核心作用,指导和引导新概念的学习,提高召回的概念检测,并在用户端,提供语义搜索上的注释视频库。
2016-05-31 cs.AI cs.CV cs.IR
OntoAligner Meets Knowledge Graph Embedding Aligners
TIB -- Leibniz Information Centre for Science and Technology(莱比锡信息科学与技术研究中心);University of Tabriz(塔布里兹大学)
本研究将本体对齐重构为合并本体上的链路预测问题,构建集成17种KGE模型的OntoAligner模块化框架,在7个跨领域基准上验证了其高精度特性,为本体对齐提供了互补的高效结构感知方案。
2025-09-30 cs.AI cs.LG
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
Ontology-aware Learning and Evaluation for Audio Tagging
University of Surrey(萨里大学);ByteDance(字节跳动)
本研究针对传统mAP指标未考虑声音类别关联、标注模糊致评估不准的问题,提出本体感知评估指标OmAP和损失函数OBCE,均基于本体距离加权,经人工评估和AudioSet任务验证,更符合人类感知且能提升标注性能。
2022-11-22 cs.AI cs.LG cs.SD