A Semi-Automated Approach for Information Extraction, Classification and Analysis of Unstructured Data
在本文中,我们将展示如何定量叙事分析和简单的自然语言处理技术适用于数据的提取和分类的样本案例研究的日记的前总统意大利共和国(PoR),乔治纳波利塔诺。《日记》记录了他所有的机构会议。这些信息,如果处理得当,可以分析PoR如何在他的第一个任期内使用他所谓的软实力来影响意大利的政治体系。在本文中,我们提出了一种使用简单但非常有效的自然语言处理技术(如正则表达式和命名实体识别)从日记中提取信息的方法。然后,我们提出了一种创新的方式来组织提取的数据依赖于定量叙事分析的方法框架。最后,我们展示了如何使用PC-ACE(计算机辅助事件编码程序),专门为这项任务和数据可视化开发的软件,分析不同层次的细节下的结构化数据。
2019-10-20 cs.IR
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
Automatic extraction of requirements expressed in industrial standards : a way towards machine readable standards ?
本出版物中介绍的工业资助项目旨在对描述适用于电器的要求的规范性文件进行语义分析。该项目的目标是建立一个语义方法来提取和自动处理与标准中包含的要求有关的信息。为此,该项目已被分为三个部分,包括需求文档的分析,相关信息的提取和本体的创建和与其他方法的比较。我们工作的第一部分是分析正在研究的需求文档。研究的重点是句子结构的特殊性、特定词语的使用和相关词汇的表征要求。我们的目的是提出一个代表性的信息提取,用于研究的第二部分。在第二部分中,相关信息的提取以两种方式进行:手动(手工构建本体),半自动(使用语义标注软件和自然语言处理技术)。无论使用何种方法,这种提取的目的都是创建概念词典,然后创建本体,随着系统扫描和理解文档而丰富。一旦确定了相关术语,工作重点是确定和表述要求,将文字写作与表格中提供的信息分开。需求的自动处理涉及提取包含被识别为与需求相关的术语的句子。然后,识别的需求被索引并存储在可用于查询处理的表示中。
2021-12-24 cs.IR
Visual Concept Ontology for Image Annotations
尽管基于内容的数据管理得到了发展,但基于文本的检索仍然是许多领域多媒体检索的主要手段。因此,文本元数据的自动创建是增加多媒体对象的可查找性的重要工具。基于搜索的注释工具试图通过利用web数据来提供内容描述性关键字,这些数据很容易获得,但非结构化和嘈杂。这些数据需要在语义资源的帮助下进行分析,这些语义资源提供了关于给定领域中对象和关系的知识。在本文中,我们专注于通用图像注释的任务,并提出了VCO,一个新的本体的视觉概念开发的图像注释框架的一部分。本体与WordNet词汇数据库链接,因此注释工具可以轻松地集成来自这两个资源的信息。
2014-11-28 cs.DL cs.IR
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估,我们得出结论,语义推荐系统一般优于传统的推荐系统的准确性,精度和召回率方面,建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
From Prompt to Graph: Comparing LLM-Based Information Extraction Strategies in Domain-Specific Ontology Development
National University of Singapore(新加坡国立大学);Comptech i Skillingaryd AB(Comptech i Skillingaryd AB公司);Lappeenranta University of Technology(拉彭兰塔理工大学);California State University Northridge(加州州立大学北岭分校)
本文比较了三种基于大语言模型的信息提取策略,用于在有限数据下构建领域特定本体,通过实验验证了最佳方法的有效性。
2026-01-31 cs.AI cs.CL cs.IR
ODVICE: An Ontology-Driven Visual Analytic Tool for Interactive Cohort Extraction
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
电子健康记录(EHR)的增加使研究人员能够研究各种医学问题。研究假设的队列选择是EHR分析的主要考虑因素之一。对于不常见的疾病,从EHR中提取的队列包含非常有限的记录数量-阻碍了任何分析的鲁棒性。数据增强方法已经成功地应用于其他领域,主要使用模拟记录来解决这个问题。在本文中,我们提出了ODVICE,一个数据增强框架,利用医学概念本体系统地增加记录使用一种新的本体指导的蒙特卡罗图生成算法。该工具允许最终用户指定一小组交互式控件来控制增强过程。我们通过对MIMIC-III数据集进行两个学习任务的研究来分析ODVICE的重要性。我们的研究结果证明了ODVICE增强队列的预测性能,与非增强数据集和其他数据增强策略相比,曲线下面积(AUC)提高了约30%。
2020-05-13 cs.IR cs.LG stat.ML
Automated Extraction of Fine-Grained Standardized Product Information from Unstructured Multilingual Web Data
Berlin University of Applied Sciences and Technology(柏林应用科学与技术大学);Einstein Center Digital Future(爱因斯坦数字未来中心)
从非结构化数据中提取结构化信息是包括电子商务在内的现代信息检索应用中的关键挑战之一。在这里,我们展示了机器学习的最新进展,结合最近发布的具有标准化细粒度产品类别信息的多语言数据集,如何在具有挑战性的迁移学习设置中实现强大的产品属性提取。我们的模型可以可靠地预测在线商店,语言或两者的产品属性。此外,我们表明,我们的模型可以用来匹配在线零售商之间的产品分类。
2023-02-23 cs.AI cs.IR cs.LG
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
Ontology Enrichment by Extracting Hidden Assertional Knowledge from Text
University of Rostock(罗斯托克大学)
在这个立场文件中,我们提出了一种新的方法,发现一些特殊类别的断言知识的文本,通过使用大型RDF存储库,从而提取新的非分类本体关系。此外,我们使用归纳推理旁边,我们的方法,使其优于。然后,我们准备了一个案例研究,通过应用我们的方法对样本数据,并说明我们提出的方法的合理性。此外,在我们看来,目前的LOD云是不是一个合适的基础,我们的建议,在所有的信息领域。因此,本文在前人工作的基础上,提出了利用Web挖掘来丰富关联数据集的一些方向。这样的充实的结果可以重用的进一步关系抽取和本体充实从非结构化的自由文本文档。
2013-08-03 cs.CL cs.IR
Automated Extraction and Creation of FBS Design Reasoning Knowledge Graphs from Structured Data in Product Catalogues Lacking Contextual Information
Indian Institute of Science(印度科学学院);Harting India Private Limited(浩亭印度私人有限公司)
针对缺乏上下文的企业结构化产品数据无法直接构建标准本体知识图谱的问题,提出基于规则的方法与工作流,结合KG与NLP从遗留数据自动提取构建FBS本体知识图谱,经工业试点验证有效并总结了相关挑战与机遇。
2024-12-08 cs.AI cs.CL cs.IR
ViBERTgrid BiLSTM-CRF: Multimodal Key Information Extraction from Unstructured Financial Documents
Yapı Kredi Technology(亚珀克雷迪科技);Istanbul Technical University(伊斯坦布尔理工大学)
本文提出ViBERTgrid BiLSTM-CRF模型,通过引入BiLSTM-CRF层将多模态Transformer适配于非结构化金融文档,提升了命名实体识别性能并保持了半结构化文档的KIE效果,同时公开了SROIE数据集的token级标注。
2024-09-23 cs.AI cs.CL cs.CV
Search for Hidden Knowledge in Collective Intelligence dealing Indeterminacy Ontology of Folksonomy with Linguistic Pragmatics and Quantum Logic
信息检索不仅是Web上最常见的应用,而且是各种应用的基础。考虑到集体智慧的群体的个人作为一个框架,评估和纳入新的经验和信息,我们往往不能检索这样的知识是隐性的。隐性知识是许多竞争能力的基础,在离散的本体结构上很难表达。它是非结构化或无组织的,因此仍然是隐藏的。开发能够找到隐藏知识的通用解决方案是非常复杂的。这对语义技术的开发者来说也是一个巨大的挑战。这项工作的目的是探索如何使隐性知识隐藏在组织内的协作环境的集体智慧明确和可用。该环境由多面语义搜索支持的大众分类法定义。采用向量空间模型来表示和操作大众分类法的意义,该模型与量子理论的数学工具相类似。向量空间检索是一种有效的数据检索方法,在不存在数据行为的情况下,向量空间检索的排序算法涉及的元素类型少,运算量小。当提出查询时,找到用户心中所想的解决方案可以基于被理解为内容的创建者和内容的读者的联合联系的“联合意义”。联合意义的提出是为了解决大众分类法在本体论上的不确定性、集体智慧上的不完全性和不一致性。随着实际社交网络(如Facebook、LinkedIn等)的发展,为协作环境构建了一个概念验证原型。在RIA应用程序上使用语义Web技术和技术的信息可视化。
2011-05-24 cs.IR
Automatic Construction of a Legal Citation Graph from 100 Million Ukrainian Court Decisions: Large-Scale Extraction, Topological Analysis, and Ontology-Driven Clustering
LEX AI LLC, Kyiv, Ukraine(LEX AI LLC,基耶夫,乌克兰)
研究通过大规模提取和拓扑分析,构建了首个大规模法律引文图,揭示了司法引文结构编码法律领域边界并预测立法重要性。
2026-05-14 cs.CL cs.DL cs.IR
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
Improving Term Extraction Using Particle Swarm Optimization Techniques
术语提取是本体开发过程中的一个层次,其任务是自动提取输入文档中包含的所有术语。此过程的目的是生成与输入文档的域相关的术语列表。在文献中有许多方法,技术和算法用于术语提取。在本文中,我们提出了一种新的方法,使用粒子群优化技术,以提高术语提取结果的准确性。我们选择五个特征来表示术语得分。该方法已应用于宗教文献领域。我们比较了我们的术语提取方法与TFIDF,Weirdness,GlossaryExtraction和TermExtractor的精度。实验结果表明,该方法比其他四种算法具有更高的精度.
2010-02-22 cs.IR
SIDEKICK: A Semantically Integrated Resource for Drug Effects, Indications, and Contraindications
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Duke University(杜克大学)
SIDEKICK通过语义集成药物效应、适应症和禁忌症,提升药物再利用中的副作用相似性分析能力。
2025-12-06 cs.IR
Architecture of an Ontology-Based Domain-Specific Natural Language Question Answering System
Government Engineering College, Sreekrishnapuram(斯里克里希纳普兰政府工程学院)
问答(QA)系统的目标是从大量的文档中检索出精确的信息。本文描述了一个基于本体信息的特定领域自然语言问答系统的体系结构,向语义Web问答迈进了一步。建议的架构定义了四个基本模块,适合于提高当前的QA能力与处理复杂问题的能力。第一个模块是问题处理模块,它对问题进行分析和分类,并对用户的查询进行重构。第二个模块允许检索相关文件。下一个模块处理检索到的文档,最后一个模块执行响应的提取和生成。自然语言处理技术被用于处理问题和文档以及用于答案提取。本体和领域知识被用于重构查询和识别关系。该系统的目的是生成简短而具体的答案,是在特定领域的自然语言提出的问题。在我们的实现中,我们已经达到了94%的自然语言问答准确率。
2013-11-13 cs.CL cs.IR
A Heuristically Modified FP-Tree for Ontology Learning with Applications in Education
College of Applied Studies, University of Bahrain(巴林大学应用研究学院);School of Computing and Digital Technology, Birmingham City University(伯明翰城市大学计算与数字技术学院)
我们提出了一个启发式修改的FP-树本体学习的文本。与以前的研究不同,对于概念提取,我们使用了编译器构造中广泛采用的正则表达式解析器方法,即,确定性有限自动机(DFA)。因此,概念是从非结构化文档中提取的。对于本体学习,我们使用频繁模式挖掘方法,并采用规则挖掘启发式函数,以提高其质量。这个过程不依赖于预定义的词汇句法模式,因此,它适用于不同的主题。我们将本体应用于学生内容相关问题的问答系统中。为了验证,我们使用了教科书问题/答案和在线课程论坛的问题。主题专家对系统的问题的子集的答案的质量进行了评级,他们的评级被用来确定最合适的自动语义文本相似性度量,作为所有答案的验证度量。潜在语义分析被认为是最接近专家的评级。我们比较了使用我们的本体与使用Text 2 Onto的问答系统,发现我们的本体回答了80%的问题,而Text 2 Onto只有28.4%的问题得到了回答,这要归功于我们的方法能够产生更细粒度的层次结构。
2019-10-29 cs.IR cs.LG stat.ML
Toward Culturally Aligned LLMs through Ontology-Guided Multi-Agent Reasoning
KAIST(韩国科学技术院)
本文提出OG-MAR框架,通过本体引导的多智能体推理方法,提高大型语言模型在文化对齐和鲁棒性方面的性能,并生成更透明的推理轨迹。
2026-06-04 cs.AI cs.CL cs.IR
Constructing Reference Sets from Unstructured, Ungrammatical Text
Fetch Technologies(Fetch技术公司);University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
Web上大量的文本是非结构化和不合语法的,例如分类广告、拍卖列表、论坛帖子等。我们称这些文本为“帖子”。“尽管它们的结构不一致,缺乏语法,帖子充满了有用的信息。本文介绍了通过直接分析这些帖子来半自动构建关系信息表(称为“参考集”)的工作。参考集可以应用于许多任务,例如本体维护和信息抽取。我们的参考集构造方法从少量的背景知识开始,并构造表示帖子中的实体的元组以形成参考集。我们还描述了这种方法的特殊情况下,即使是少量的背景知识是不可能发现和使用的扩展。为了评估机器构造的参考集的效用,我们将它们与基于参考集的信息抽取中手动构造的参考集进行比较。我们的结果表明,我们的方法构造的参考集优于手动构造的参考集。我们还比较了基于参考集的提取方法使用机器构造的参考集监督提取方法使用通用功能。这些结果表明,使用机器构造的参考集优于监督方法,即使监督方法需要训练数据。
2014-01-16 cs.CL cs.IR
Semantic Representation of Processes with Ontology Design Patterns
FIZ Karlsruhe -- Leibniz Institute for Information Infrastructure(FIZ卡尔斯鲁厄——莱布尼茨信息基础设施研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Mannheim(曼海姆大学)
针对材料科学过程本体复杂难复用的问题,本文调研相关本体、识别隐式 ODPs,评估其需求满足能力,并提出自动提取设计模式的基线方法且开放资源。
2025-09-28 cs.IR cs.IT math.IT
Ontology-based Approach for Identifying the Credibility Domain in Social Big Data
从社交媒体数据源中管理和提取有用知识的挑战吸引了学术界和工业界的广泛关注。为了解决这一问题,本文重点研究文本数据的语义分析。我们提出了一种基于本体的方法来提取文本数据的语义和定义数据的域。换句话说,我们在两个层面上对社交数据进行语义分析,即实体层面和领域层面。我们选择Twitter作为社交渠道的挑战,是为了验证概念。领域知识被捕获在本体中,然后被用来丰富推文的语义,提供了出现在推文中的实体的特定语义概念表示。案例研究被用来证明这种方法。我们实验和评估我们提出的方法与公共数据集收集从Twitter和政治领域。基于本体的方法在概念识别的数量和准确性方面利用实体提取和概念映射。
2018-07-06 cs.IR cs.SI
Relational Deep Dive: Error-Aware Queries Over Unstructured Data
University of Toronto(多伦多大学)
针对非结构化数据分析查询的抽取挑战,提出框架ReDD,通过两阶段流水线动态发现查询模式并填充关系表,结合统计校准方法SCAPE进行错误感知抽取,将错误率降至1%以下。
2025-11-04 cs.DB cs.IR
Vector Ontologies as an LLM world view extraction method
本研究首次实证验证向量本体方法,构建8维音乐流派向量空间,测试GPT-4o-mini的音乐内部表征投影效果,证明LLM内化结构化可复用知识,向量本体可透明提取分析该知识。
2025-06-16 cs.AI cs.IR
5W1H+Which: Context-Valid Semantic Indexing with Progressive Ontology Binding
PwC China AI Center(普华永道中国人工智能中心);Tsinghua University(清华大学)
提出5W1H+Which语义索引,分离内容提取与本体绑定,通过渐进式绑定和上下文约束提升跨任务证据覆盖,并计划用事实图基线验证其可测试性。
2026-10-27 cs.AI cs.CL cs.IR
MALOnt: An Ontology for Malware Threat Intelligence
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
恶意软件威胁情报从分散的威胁源中揭示有关恶意软件、威胁行为者及其策略、危害指标(IoC)以及不同平台中的漏洞的深入信息。这些集体信息可以指导安全运营中心(SoC)使用的网络防御应用程序的决策。在本文中,我们介绍了一个开源的恶意软件本体- MALOnt,它允许结构化的信息提取和知识图谱生成,特别是威胁情报。使用MALOnt的知识图谱从包括数百个注释的恶意软件威胁报告的语料库实例化。知识图谱能够对恶意软件造成的网络威胁进行分析、检测、分类和归属。我们还演示了使用MALOnt的示例威胁情报报告的注释过程。这项研究正在进行中,是自动生成知识图谱(KG)的更大努力的一部分,用于从异构在线资源中收集恶意软件威胁情报。
2020-06-20 cs.AI cs.CR cs.IR
Ontologies and Information Extraction
本报告认为,即使在最简单的情况下,IE也是一个本体驱动的过程。它不仅仅是基于简单的模式匹配和关键字的文本过滤方法,因为所提取的文本片段相对于预定义的部分领域模型被解释。本报告表明,根据为提取信息而进行的解释的性质和深度,必须涉及或多或少的知识。这份报告主要是说明在生物学,一个领域,其中有基于内容的探索科学文献的关键需求,并成为IE的一个主要应用领域。
2006-09-24 cs.AI cs.IR
Ontology-based Recommender System of Economic Articles
决策者需要经济信息来推动他们的决策。Actualis SARL公司专门制作和发行有关法国区域经济行为体的新闻评论。这份经济评论为客户提供了一个关于合作伙伴和竞争对手的勘探工具。为了减少无用信息的过载,该公司正朝着为每个客户定制评论的方向发展。三个问题似乎可以实现这一目标。首先,如何识别文本中的元素,以便提取与推荐标准相匹配的对象?第二,如何定义这些对象、关系和文章的结构,以便提供可用于提取过程的知识源,从而从文章中产生新的知识?后一个问题是对客户体验的反馈,以实时识别分布式信息的质量,并提高建议的相关性。提出了一种基于文章语义描述和用户简档的推荐方法。
2013-01-21 cs.DL cs.IR
A Literature Based Approach to Define the Scope of Biomedical Ontologies: A Case Study on a Rehabilitation Therapy Ontology
Newcastle University(纽卡斯尔大学);Umm Al-Qura University(乌姆·库拉大学)
在这篇文章中,我们探讨了我们早期的尝试,建立一个本体描述脑损伤后的康复治疗。这些疗法范围广泛,涉及许多不同种类的干预措施。因此,这些疗法很难描述。除了限制实际实践外,这也是循证医学的一个主要障碍,因为很难有意义地比较两种治疗方案。本体开发需要本体学家和领域专家的大量努力。从领域专家获得的知识构成了本体的范围。知识获取的过程是昂贵的,消耗专家的时间,并可能有偏见,这取决于专家的选择。存在各种方法和技术来实现这种知识获取,包括社区团体和开放式开发实践。一个相关的问题是界定范围。通过定义范围,我们可以决定一个概念(即术语)是否应该在本体中表示。这是知识启发的对立面,因为它定义了本体论中不应该存在的东西。这可以通过预先定义一组能力问题来解决。然而,这些方法昂贵且耗时。在这里,我们描述了我们的工作对一种替代方法,引导本体从最初的小语料库的文献,将定义的本体的范围,扩大这一套覆盖的域,然后使用信息抽取定义一个初始的术语,提供的基础和能力的本体。在这里,我们讨论了四种方法来构建一个合适的语料库,既足够覆盖和精确。
2017-09-27 cs.AI cs.DL cs.IR
Ontology-Based Knowledge Graph Framework for Industrial Standard Documents via Hierarchical and Propositional Structuring
本文提出一种基于本体的知识图谱框架,通过层次化和命题化结构构建工业标准文档,提升问答性能和领域知识表示能力。
2025-12-22 cs.CL cs.IR
FrameNet CNL: a Knowledge Representation and Information Extraction Language
Institute of Mathematics and Computer Science, University of Latvia(拉脱维亚大学数学与计算机科学研究所)
提出了一种基于FrameNet的信息抽取和知识表示框架,称为FrameNet-CNL。该框架用于自然语言文档,并表示提取的知识,在一个定制的框架本体,明确的FrameNet-CNL释义文本可以自动生成多种语言。这种方法将信息抽取和CNL领域结合在一起,因为如果信息抽取解析器产生正确的知识表示,则可以认为源文本属于FrameNet-CNL。我们描述了一个国家的最先进的信息抽取解析器使用的国家新闻机构和推测,FrameNet-CNL最终可以塑造自然语言子集用于写新闻专线文章。
2014-06-10 cs.AI cs.CL cs.IR
Knowledge mining of unstructured information: application to cyber-domain
Aalto University School of Science(阿尔托大学理学院);University of Jyväskylä(于韦斯屈莱大学);Cyberwatch Finland Oy(芬兰Cyberwatch公司);The Alan Turing Institute(艾伦·图灵研究所)
有关网络犯罪、事件和冲突的信息在许多开放的在线来源中大量存在。然而,处理大量数据流对分析人员和专家来说是一项具有挑战性的任务,需要更新的方法和技术。在这篇文章中,我们提出并实现了一种新的知识图谱和知识挖掘框架,用于从自由形式的文本中提取有关网络领域事件的相关信息。该框架包括基于机器学习的管道,用于生成具有非技术网络本体的组织、国家、行业、产品和攻击者的图。利用提取的知识图谱来估计给定图配置上的网络攻击的发生率。我们使用公开的真实网络事件报告集合来测试我们方法的有效性。知识提取被认为是足够准确的,基于图形的威胁估计表明与攻击的实际记录的相关性。在实际使用中,利用所提出的框架的分析师可以从当前的网络景观中推断出更多的信息,包括对各种实体的风险以及行业和国家之间的风险启发式传播。
2022-08-01 cs.CL cs.CR cs.IR