Reasoning in the OWL 2 Full Ontology Language using First-Order Automated Theorem Proving
FZI Research Center for Information Technology（FZI信息技术研究中心）；University of Miami（迈阿密大学）
OWL 2已经被万维网联盟（W3C）标准化为语义网的本体语言家族。这些语言中最具表现力的是OWL 2 Full，但迄今为止还没有为这种语言实现reasoner。一致性和蕴涵检查对于OWL 2 Full来说是不可判定的。我们已经将OWL 2 Full语义的一个大片段翻译成一阶逻辑，并使用自动定理证明系统来基于该理论进行推理。结果是有希望的，并表明，这种方法可以应用于实践中有效的OWL推理，超出了目前的语义Web推理的能力。这是在CADE 2011，LNAI 6803，pp上发表的同名论文的扩展版本。446-460.扩展版本提供了附录，其中包含在报告的评价中使用的其他资源。
2011-07-31 cs.AI
ClarifAI: Enhancing AI Interpretability and Transparency through Case-Based Reasoning and Ontology-Driven Approach for Improved Decision-Making
Human-Centric eXplainable Intelligence Lab (hcXiL) Computer Science Department(CSCI), Saint John's University (CSBSJU)（以人为本的可解释智能实验室（hcXiL）计算机科学系，圣约翰大学）
本研究提出ClarifAI方法，结合基于案例的推理与本体驱动方法，为AI驱动应用提供详尽的解释机制，旨在增强AI系统的透明度与可解释性，以支持高风险环境下的关键决策制定。
2025-07-15 cs.AI
Reasoning for Improved Sensor Data Interpretation in a Smart Home
Örebro University（厄勒布鲁大学）
本文提出了一种用于时间序列信号解释的本体表示和推理范式。这些信号来自观察智能环境的传感器。为注释过程选择的信号是一组不直观且复杂的气体传感器数据。该范例的本体受SSN本体（语义传感器网络）的启发，用于表示传感器数据和上下文信息。解释过程主要由增量ASP求解器完成，该增量ASP求解器作为输入接收从本体的内容生成的逻辑程序。上下文信息与本体中给出的高级领域知识一起用于推断对由气体传感器检测到的环境空气中的变化的解释（答案集）。
2014-12-26 cs.AI
Investigating Language Model Capabilities to Represent and Process Formal Knowledge: A Preliminary Study to Assist Ontology Engineering
Université Côte d’Azur（法国滨海大学）；Inria（法国国家信息与自动化技术研究所）；CNRS（法国国家科学研究中心）；I3S（国际科学计算研究所）；Sophia Antipolis, France（法国索菲亚大学）；Data ScienceTech Institute (DSTI)（数据科学技术研究所）
本文探究将形式化方法引入小语言模型（SLMs）以提升推理能力，发现用紧凑逻辑语言替代自然语言在推理任务上仍能保持高性能，从而辅助本体工程。
2025-09-12 cs.AI
The CaLiGraph Ontology as a Challenge for OWL Reasoners
University of Mannheim（曼海姆大学）
CaLiGraph是一个大规模的跨领域知识图谱，它利用维基百科中的分类系统、列表页面和其他列表结构从维基百科生成，包含超过1500万个类型化实体和大约1000万个关系断言。除了知识图谱，如DBpedia和YAGO，其本体过于简单，CaLiGraph也有丰富的本体，包括超过200，000个类限制。这两个属性-一个大的A盒和一个丰富的本体-使它成为基准推理机的一个有趣的挑战。在本文中，我们证明了一个推理任务，这是特别相关的CaLiGraph，即，将owl：hasValue约束具体化为个体之间以及个体与文字之间的断言，不足以得到可用推理系统的支持。我们提供了不同大小的基准子集的CaLiGraph，可用于推理系统的性能分析。
2022-01-04 cs.AI
The African Wildlife Ontology tutorial ontologies: requirements, design, and content
University of Cape Town（开普敦大学）
背景大多数教程本体侧重于说明本体开发的一个方面，特别是语言功能和自动推理机，但忽略了本体开发的因素，如紧急建模指南和本体论原则。然而，初学者从他们进行的练习中复制例子。不提供好的例子整体上导致传播次优本体开发，这可能会对一个真正的领域本体的质量产生负面影响。结果我们确定了22个要求，一个好的教程本体应该满足有关学科领域，逻辑和推理，工程方面。我们开发了一套关于非洲野生动物的本体论作为教程本体论。大部分的要求已经满足了一套非洲野生动物本体教程本体，这是本文介绍的。非洲野生动物本体是成熟的，自2010年以来每年都在本体工程课程或教程中使用，并被纳入最近的本体工程教科书，其中有相关的例子和练习。结论非洲野生动物本体论提供了广泛的选择有关的例子和练习的本体工程远远超出了只说明语言功能和自动推理。它有助于演示有关本体质量的任务，例如与基础本体的对齐和满足能力问题、版本控制和多语言本体。
2019-05-23 cs.AI
Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation
University of Bologna, Italy（博洛尼亚大学，意大利）；ISTC-CNR, Italy（ISTC-意大利国家研究理事会）；Linköping University, Sweden（林雪平大学，瑞典）
本研究探讨了大型语言模型在自动本体生成中的应用，通过95个能力问题测试DeepSeek和o1-preview在六个领域的表现，发现其性能跨领域高度一致，验证了LLM在可扩展、领域无关本体构建中的潜力。
2025-04-24 cs.AI
Extract ABox Modules for Efficient Ontology Querying
University of Miami（迈阿密大学）
从本体ABox中提取逻辑独立的片段可以用于解决查询具有大ABox的本体的易处理性问题。在本文中，我们提出了一个正式的定义的ABox模块，这样它保证了完整的保存事实的一组给定的个人，因此可以独立的w.r.t.本体TBox。使用这种类型的ABox模块，隔离或分布式（并行）ABox推理变得可行，并且可以从本体ABoxes获得更有效的数据检索。为了计算这样的ABox模块，我们提出了一个理论方法，也是一个近似的$\mathcal{SHIQ}$本体。对不同类型本体的模块近似评价表明，平均而言，提取的ABox模块明显小于整个ABox，基于ABox模块的本体推理时间可以得到显著提高。
2014-06-11 cs.AI
Detecting fake news for the new coronavirus by reasoning on the Covid-19 ontology
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
在新型冠状病毒肺炎大流行的背景下，许多人迅速传播欺骗性信息。我在这里研究如何推理描述逻辑（DL）可以检测可信的医疗来源和不可信的不一致。不受信任的信息以自然语言表示（例如，“Covid-19仅影响老年人”）。为了自动转换为DL，我使用了FRED转换器。然后使用Racer工具执行描述逻辑中的推理。
2020-04-26 cs.AI cs.CL
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
DLOLIS-A: Description Logic based Text Ontology Learning
DA-IICT（印度信息技术学院）
本体学习在过去的十年里一直是深入研究的主题。在这一领域的研究人员一直受到激励的可能性，自动建立一个知识库的顶部的文本文件，以支持推理为基础的知识提取。虽然这一领域的大多数工作主要是统计的（称为轻量级本体学习），但在从自然语言文本文档中进行公理化本体学习（称为重量级本体学习）方面没有进行太多尝试。与统计本体学习相比，重量级本体学习支持更精确的基于形式逻辑的推理。本文提出了一个良好的本体学习工具DLOL_（IS-A），它将英语IS-A语句映射成其等价的描述逻辑表达式，自动生成一对一致的T-box和A-box，从而形成规则（定义形式）和广义（公理形式）的描述逻辑本体。本文目前的研究范围仅限于IS-A句，排除了以下可能的结构：（i）隐含IS-A句，（ii）“Wh”IS-A疑问句。其他语言的细微差别，产生了语用学和认知的是-A句超出了本工作的范围。我们采用了黄金标准的本体学习评估选择IS-A丰富的维基百科文档。
2013-03-24 cs.AI
Datalog Rewritability of Disjunctive Datalog Programs and its Applications to Ontology Reasoning
University of Oxford（牛津大学）
研究了将析取数据库程序改写为纯数据库的问题。我们证明了一个析取程序是可重写的当且仅当它等价于一个线性析取程序，从而提供了一个新的特征的数据可重写性。受此结果的启发，我们提出了弱线性析取数据库-一种新的基于规则的KR语言，扩展了数据库和线性析取数据库，推理在数据复杂性方面是易于处理的。然后，我们探讨了弱线性规划的本体推理的应用，并提出了一个易于处理的扩展OWL 2 RL与析取公理。我们的实证研究结果表明，许多非霍恩本体可以减少到弱线性程序和查询回答这样的本体使用数据挖掘引擎在实践中是可行的。
2014-04-11 cs.AI cs.LO
Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
Moose是在$\boldsymbol{\textit{EL}^{++}}$中编译本体为SDD的方法，可实现部分监督下的潜在概念学习，在相关基准上优于多种基线，还完成了OWL EL设置下的首次推理捷径分析。
2026-08-14 cs.AI
Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems
本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。
2026-04-22 cs.AI
Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management
Yonyou AI Lab（用友人工智能实验室）；Yonyou Network Technology Co., Ltd.（用友网络技术有限公司）
本文提出大型本体模型（LOM），通过构建、对齐和推理框架，实现企业知识管理中多源异构数据的整合与复杂语义推理，实验表明其在复杂图推理任务中表现优于现有模型。
2026-01-18 cs.AI cs.CL cs.LG
Constructing Ontology-Based Cancer Treatment Decision Support System with Case-Based Reasoning
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Université du Havre（勒阿弗尔大学）；Université Paris Ouest（巴黎第十大学（巴黎西部大学））；IER Business Development Center（IER业务发展中心）
决策支持是一种概率和定量的方法，设计用于在模糊的情况下建模问题。计算机技术可用于提供临床决策支持和治疗建议。自然语言应用程序的问题是它们缺乏形式性，并且解释不一致。相反，本体可以捕获预期的含义并指定建模原语。疾病本体（DO），属于癌症的临床阶段和他们相应的信息组件被用来提高决策支持系统（DSS）的推理能力。建议的DSS使用基于案例的推理（CBR）考虑疾病的表现，并提供医生的治疗方案，从类似的以前的情况下参考。建议的DSS支持自然语言处理（NLP）查询。在本体的帮助下，DSS获得了84.63%的疾病分类准确率。
2018-12-05 cs.AI cs.CY
OntoInk: Interactive Ontology Visualization, Validation, and Reasoning
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ Karlsruhe – 莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
OntoInk 是一个开源 MkDocs 插件，在文档即代码流水线中整合本体可视化、SHACL 验证、OWL 推理与内联编辑，支持交互式图表嵌入，加速开发与知识传递。
2026-10-06 cs.AI cs.IR
Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale
Yonyou AI Lab（用友AI实验室）；Yonyou Network Technology Co., Ltd.（用友网络科技股份有限公司）
本文提出统一本体构建与语义对齐的框架，通过构造-对齐-推理流程提升企业级确定性推理能力，实验表明其在本体完成和复杂图推理任务中表现优异。
2026-03-11 cs.AI cs.CL
SAREF-based Ontology for Distributed AI Workflows across the Edge-Fog-Cloud Continuum
本文提出一种符合SAREF的本体，扩展SAREF4SYST本体加入AI相关概念，经智能电网场景验证，可实现边-雾-云环境下分布式AI工作流的语义互操作，部署成功率90%-100%，平均编排决策时间低于80ms。
2026-08-28 cs.AI
An Embedding-based Approach to Inconsistency-tolerant Reasoning with Inconsistent Ontologies
School of Computer Science；Engineering, Southeast University Nanjing China；School of Mathematics, Southeast University Nanjing China；School of Modern Posts \& Institute of Modern Posts, Nanjing University of Posts；Engineering, Southeast University；School of Mathematics, Southeast University
本文提出一种基于公理嵌入的方法，用于处理不一致本体的推理，通过语义向量计算提升推理能力。
2026-03-09 cs.AI
Ontology-Based Reasoning about the Trustworthiness of Cyber-Physical Systems
Saint Joseph’s University（圣约瑟夫大学）；NIST（美国国家标准与技术研究院）；Imperial College London（帝国理工学院）；Intel Corporation（英特尔公司）
由于与网络物理系统（CPS）的设计、部署和操作相关的问题的复杂性，技术和监管团体制定CPS的可信度要求一直具有挑战性。美国国家标准与技术研究所（NIST）通过一个公共工作组发布了CPS框架，该框架采用了CPS的广泛和综合观点，并将可信赖性置于CPS的其他方面。本文将CPS框架及其进一步发展所创建的模型更进一步，通过应用本体论的方法和推理技术，以实现更好地理解CPS。文中分析的实例表明，通过本体和推理获得的原始CPS模型的丰富性，以及它为CPS的开发人员和操作人员提供额外见解的能力。
2018-03-20 cs.AI cs.CR
Know your exceptions: Towards an Ontology of Exceptions in Knowledge Representation
Free University of Bozen-Bolzano（波尔扎诺自由大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
针对可废止推理形式化体系的本体论适配选择难题，研究提出基于例外性与可废止性的比较框架，通过对四种系统的对比验证了框架可揭示不同体系的本体论差异。
2024-03-05 cs.AI
Establishing Meta-Decision-Making for AI: An Ontology of Relevance, Representation and Reasoning
Imperial College London（伦敦帝国学院）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
我们提出了一个构建决策系统的本体，目的是建立人工智能（AI）的元决策，提高自主性，并创建一个框架来构建指标和基准。为此，我们提出了三个部分的相关性，代表性和推理，并讨论其在第三波认知系统的背景下，确保安全和减轻风险的价值。我们的命名法反映了关于决策的文献，我们的本体论允许采用它的研究人员将他们的工作与这些部分中的一个或多个部分相关联。
2022-10-02 cs.AI cs.CY cs.LO
Dynamic Bayesian Ontology Languages
TU Dresden（德累斯顿工业大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
许多形式主义结合本体语言与不确定性，通常以概率的形式，已经研究了多年。然而，这些形式主义中的大多数都假设知识的概率结构随着时间的推移保持静态。我们提出了一个通用的方法来扩展本体语言来处理动态贝叶斯网络所代表的随时间变化的不确定性。我们展示了如何在原始语言和动态贝叶斯推理推理可以利用有效的推理在我们的框架。
2015-06-26 cs.AI cs.LO
Toward Effective and Reliable LLM Agents via Dynamic Ontology
本文提出OaK框架，通过动态构建优化面向任务的本体论，在TravelPlanner等数据集上验证其可提升LLM智能体的证据基础与多步推理可靠性。
2026-08-25 cs.AI
Real-Time Health Analytics Using Ontology-Driven Complex Event Processing and LLM Reasoning: A Tuberculosis Case Study
Indian Institute of Information Technology Allahabad（印度信息技术学院阿拉哈巴德分校）
本研究提出一种集成复杂事件处理与大型语言模型的本体驱动实时健康分析框架，利用BFO和SWRL建模，通过Apache Kafka和Spark Streaming处理数据，并在1,000名结核病患者的数据集上验证了其低延迟检测与高模型性能。
2025-10-05 cs.AI cs.DB
Ontology Module Extraction via Datalog Reasoning
University of Oxford（牛津大学）
模块提取-计算本体T的（优选地小的）片段M的任务，其保留签名S上的蕴涵-近年来已经发现了许多应用。然而，提取最小尺寸的模块在计算上是困难的，并且通常在算法上是不可行的。因此，实用的技术是基于近似，其中M可证明地捕获相关蕴涵，但不能保证是最小的。现有的近似，但是，确保M保持所有的二阶蕴涵的T w.r.t. S，它比许多应用中所需的更强，并且在实践中可能导致大模块。在本文中，我们提出了一种新的方法，其中模块提取减少到一个推理问题的数据库。我们的方法不仅以优雅的方式概括了现有的近似，而且还可以定制为仅保留特定类型的蕴涵，这使我们能够提取更小的模块。对广泛使用的本体的评估显示出非常令人鼓舞的结果。
2014-11-20 cs.AI cs.LO
Ontology-based inference for causal explanation
CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；IRISA（法国国家信息、系统、自动化与网络研究院）
我们定义了一个推理系统来捕获解释的因果关系的陈述，使用本体的形式的IS-A层次结构。我们首先介绍一种简单的逻辑语言，它可以表达一个事实导致另一个事实，一个事实解释另一个事实。我们提出了一套从因果陈述到解释陈述的形式推理模式。我们引入了一个基本的本体，它提供了更大的表现力的系统，同时保持接近命题推理。我们提供了一个推理系统，捕捉讨论的模式，首先在一个纯粹的命题框架，然后在一个databases（有限谓词）框架。
2010-04-27 cs.AI
Language Models as Ontology Encoders
The University of Manchester（曼彻斯特大学）；Amazon（亚马逊）；SNOMED International（SNOMED国际）；University of Oxford（牛津大学）
本文提出本体嵌入方法 OnT，通过在双曲空间中微调预训练语言模型，同时融合文本标签并保留描述逻辑结构，在公理预测与推断任务上优于现有方法。
2025-07-18 cs.AI
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
Surprising Effectiveness of Self-Demonstrations in Enhancing Schema-Ontology Mapping with LLMs
TCS Research（塔塔咨询服务研究院）；IIT Bombay（印度理工学院孟买分校）
本文提出一种结合神经符号任务分解与模式引导自我演示的方法，用于LLM模式-本体映射，在RODI基准上实现最先进性能，F1提升25个百分点。
2026-09-15 cs.AI
Safe Reasoning Over Ontologies
IBM TJ Watson Research center（IBM TJ Watson 研究中心）
随着本体的激增和自动推理机变得越来越强大，保护敏感信息的问题变得更加严重。特别地，由于事实可以从其他事实推断，因此包括在本体中的信息（虽然其本身不被认为是敏感的）可能能够被用来推断其他敏感信息的可能性变得越来越大。我们首先考虑的问题，测试本体的安全性定义为它不能被用来推导出任何敏感的事实，使用一个给定的集合的推理规则。然后，我们考虑的问题，优化本体的基础上的标准，使尽可能多的有用信息，而不透露任何敏感的事实。
2009-04-01 cs.AI cs.DS
ApplE: A Modular Ontology of Applied Ethics and Event Context for Ethical Decision Modeling
IIIT-Delhi（德里印度信息技术学院）
该研究提出模块化应用伦理本体ApplE，采用改进SAMOD构建，结合伦理理论与事件上下文，经医疗用例验证，遵循FAIR原则，可用于伦理AI系统等的建模资源。
2026-08-04 cs.AI cs.CY
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
Tractable Diversity: Scalable Multiperspective Ontology Management via Standpoint EL
TU Dresden（德累斯顿工业大学）
本文提出 Standpoint EL，一种 EL 的多模态扩展，用于集成表示多视角领域知识，并证明其保持 PTime 可推理性，而额外特性会导致不可处理。
2023-02-25 cs.AI
Cloud Render Farm Services Discovery Using NLP And Ontology Based Knowledge Graph
BSA Crescent Institute of Science and Technology（BSA新月科学技术学院）；NEC Corporation of America（美国NEC公司）
针对云渲染农场服务发现难题，提出基于本体的RenderSelect引擎，利用概念、等价和数值相似性推理，实验证明其性能优于无本体及通用搜索方法。
2023-07-10 cs.AI cs.DC cs.IR
Towards Unveiling the Ontology Key Features Altering Reasoner Performances
Faculty of Sciences of Tunis, University of Tunis EL Manar（突尼斯艾尔马纳尔大学突尼斯理学院）；University of Paris 8（巴黎第八大学）
本体推理是描述逻辑的核心研究领域之一。各种高效的推理与高度优化的算法已经被开发，以允许推理任务的表达本体语言，如OWL（DL）。然而，reasoner报告的计算时间已经超过，有时落后于预期的理论值。从经验的角度来看，它还没有很好地理解，在本体中的特定方面是推理机性能下降的因素。在本文中，我们进行了一项关于艺术作品的调查，试图描绘推理经验行为和特定的本体论特征之间的潜在相关性。对这些作品进行了分析，然后进行了分类。此外，我们提出了一套本体特征，涵盖了广泛的结构和句法本体特征。我们声称，这些功能是很好的指标，对推理任务的本体硬度水平。
2015-09-29 cs.AI cs.IR cs.LO
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
Ontology for Policing: Conceptual Knowledge Learning for Semantic Understanding and Reasoning in Law Enforcement Reports
Law Enforcement Agencies（执法机构）
本文提出利用符号方法将执法报告中的叙述转化为证据关联事实，通过消除个人标识、语义解析、谓词映射到本体和推理，提高对事件细节的恢复能力，并构建包含时间线索和领域公理的时间图。
2026-05-15 cs.AI cs.CL cs.LO
Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning
Technische Universität Berlin（柏林工业大学）；Sapienza University of Rome（罗马第一大学）
知识图谱完成（又名~链接预测），即~从知识图谱推断缺失信息的任务是在诸如产品推荐和问答的许多应用中广泛使用的任务。知识图谱嵌入和/或规则挖掘和推理的现有技术方法是数据驱动的，因此仅基于输入知识图谱包含的信息。这导致不令人满意的预测结果，使得这种解决方案不适用于关键领域，如医疗保健。为了进一步提高知识图谱完成的准确性，我们提出将知识图谱嵌入的数据驱动能力与源于专家或蕴涵机制的特定于领域的推理（例如，OWL2）。通过这种方式，我们不仅可以利用输入知识图谱中可能不包括的领域知识来提高预测精度，而且还允许用户插入他们自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们提高了香草知识图谱嵌入的MRR精度高达3倍，并优于混合解决方案，结合知识图谱嵌入与规则挖掘和推理高达3.5倍MRR。
2022-07-04 cs.AI cs.DB cs.LG
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
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
Handling Nominals and Inverse Roles using Algebraic Reasoning
Concordia University（康考迪亚大学）
本文提出了一种新的SHOI表演算，它结合了代数推理来决定本体的一致性。数值限制所施加的名，存在和普遍的限制编码成一组线性不等式。列生成和分支和价格算法被用来解决这些不等式。我们的初步实验表明，这种演算比标准的Tableau方法在SHOI本体上表现更好。
2018-10-01 cs.AI
JSI at the FinSim-2 task: Ontology-Augmented Financial Concept Classification
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）
在过去的几年里，本体越来越多地用于机器推理。它们可以提供概念的解释，或者如果存在从期望的标签到相关本体的映射，则用于概念分类。使用本体的另一个优点是它们不需要学习过程，这意味着我们在使用它们之前不需要训练数据或时间。本文提出了一个实际使用的本体的分类问题，从金融领域。它首先将一个给定的本体转换为一个图，并进行泛化，目的是找到金融概念的输入集的共同语义描述。我们提出了一个解决方案的共享任务学习语义相似性的金融领域（FinSim-2任务）。我们的任务是设计一个系统，可以自动分类的概念，从金融领域到最相关的上位概念在外部本体-金融行业业务本体。我们提出了一种方法，将给定的概念映射到所提到的本体，并进行图搜索最相关的上位词。我们还采用了一个词向量化方法和一个机器学习分类器，以补充该方法与每个概念的标签的排名列表。
2021-06-17 cs.AI
A Task-Centric Ontology and Deterministic Domain Rules as a Verifiable Core for AI-Assisted Chemistry Problem Solving
本文提出ChemOntoRule，以任务为中心构建本体与确定性规则，在300道中学化学题上取得98.67%的匹配准确率，为AI辅助化学问题求解提供可验证的符号核心。
2026-08-28 cs.AI
OCCAM: Open-set Causal Concept explAnation and Ontology induction for black-box vision Models
University of Catania（卡塔尼亚大学）
OCCAM通过开放集因果概念解释和本体诱导方法，提高黑盒视觉模型的可解释性，揭示概念间的因果关系和模型偏见。
2026-05-18 cs.AI
A Goal-Directed Implementation of Query Answering for Hybrid MKNF Knowledge Bases
CENTRIA（里斯本新大学科学技术学院信息学系人工智能中心）；Faculdade Ciências e Tecnologias Universidade Nova de Lisboa（里斯本新大学科学技术学院）
在知识表示形式化中，本体和规则通常是松散耦合的。事实上，本体使用开放世界推理，而规则的主要语义使用非单调的封闭世界推理。一个例外是最小知识和否定失败（MKNF）的紧密耦合框架，它允许通过从本体论和规则推理的蕴涵来共同推导关于个人的陈述。尽管如此，MKNF的实际用途并不总是很清楚，虽然最近的工作已经正式确定了一个一般的基于解析的方法，用于查询MKNF时，规则采取有根据的语义，本体是由一个通用的甲骨文建模。这项工作留下了开放的算法，应该使用相关的本体论和推理的规则的蕴涵。在本文中，我们提供了这样的算法，并描述了一个查询驱动的系统，CDF规则，混合知识库相结合的（非单调）的规则下，有根据的语义和（单调）本体论，由CDF Type-1（ALQ）理论表示的实施。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2012-11-01 cs.AI
TransBox: EL++-closed Ontology Embedding
The University of Manchester（曼彻斯特大学）
本文针对现有OWL本体嵌入忽略复杂概念、难以处理复杂公理推理的问题，提出EL++-封闭本体嵌入和TransBox方法，可表示任意描述逻辑表达式并处理多种关系类型，在多个真实数据集上取得领先性能。
2025-02-04 cs.AI
Ontology-Constrained Neural Reasoning in Enterprise Agentic Systems: A Neurosymbolic Architecture for Domain-Grounded AI Agents
Golden Gate University, San Francisco Foundation（金门大学，旧金山基金会）；AgenticOS (FAOS)（AgenticOS（FAOS））；Associate Director, Data, Digital & IT Novartis Healthcare Pvt. Ltd.（数据、数字与IT部门，诺华健康有限公司）；Novartis Healthcare Pvt. Ltd., Hyderabad, India（诺华健康有限公司，海得拉巴，印度）
本文提出了一种神经符号架构，通过本体约束神经推理解决企业大语言模型在幻觉、领域漂移和无法在推理层面强制执行监管合规性方面的限制，展示了该架构在提升智能体的指标准确性和角色一致性方面的显著效果。
2026-06-04 cs.AI cs.CL cs.SE
AgentMap: Joint Equivalence and Subsumption Discovery for Ontology Matching
The University of Manchester（曼彻斯特大学）；Zhejiang University（浙江大学）
本文提出统一等价与包含发现的混合本体匹配任务，构建基于LLM的多智能体框架AgentMap，在三类设置下的本体匹配任务中均取得优异性能。
2026-07-30 cs.AI
Development and Evaluation of an Ontology for Non-Invasive Respiratory Support in Acute Care
College of Engineering, The University of Arizona（亚利桑那大学工程学院）；College of Medicine, The University of Arizona（亚利桑那大学医学院）
本文开发了非侵入性呼吸支持的本体，通过统一框架提升数据清晰度与互操作性，为临床决策提供基础。
2026-01-21 cs.AI q-bio.OT
Ontology-Based Process Modelling -- Will we live to see it?
University of Koblenz-Landau（科布伦茨-兰道大学）；University of Rostock（罗斯托克大学）
从理论上讲，基于本体的过程建模（OBPM）具有扩展业务过程管理的巨大潜力。许多作品都研究了OBPM，并且清楚地了解了潜在的便利设施，例如消除歧义或对公司流程进行高级推理。然而，尽管在学术界得到了认可，但广泛的行业采用仍然无处可见。这可以主要归因于这样的事实，即它仍然需要大量的手工劳动来最初创建过程模型的本体和注释。只要这些问题得不到解决，实施OBPM在实践中似乎是不可行的。因此，在这项工作中，我们确定了成功实施OBPM所需的要求，并评估研究w.r.t.本款规定而我们的研究结果表明，促进OBPM的方法的研究进展仍然令人震惊的低，需要在扩展现有的方法上进行紧迫的工作。
2021-07-12 cs.AI
OntoPret: An Ontology for the Interpretation of Human Behavior
Wright State University, USA（怀特州立大学，美国）；Örebro University, SE（奥雷布罗大学，瑞典）
本文提出OntoPret本体论，基于认知科学和模块化工程，为机器提供正式框架以分类人类行为（含任务偏差和欺骗），并在制造和游戏用例中验证其适应性，奠定意图推理的语义基础。
2025-10-27 cs.AI
To Neuro-Symbolic Classification and Beyond by Compiling Description Logic Ontologies to Probabilistic Circuits
University of Pisa（比萨大学）；University of Bologna（博洛尼亚大学）；University of Edinburgh（爱丁堡大学）
通过将描述逻辑本体编译为概率电路，实现神经符号分类与知识表示的深度融合，提升演绎推理效率和预测一致性。
2026-01-21 cs.AI
