Uncertainty in Automated Ontology Matching: Lessons Learned from an Empirical Experimentation
University of Tunis El Manar（突尼斯迦太基大学）；University of Technology Sydney（悉尼科技大学）；Tallinn University of Technology（塔林理工大学）；University of Southern Denmark（南丹麦大学）
本文通过实证实验研究自动化本体匹配中的不确定性，发现全自动方法不可靠，而半监督方法更成熟，为实际应用提供了经验教训。
2023-10-18 cs.AI
Ontology alignment repair through modularization and confidence-based heuristics
LaSIGE, Faculty of Sciences of the University of Lisbon（里斯本大学科学学院LaSIGE）
本体匹配的目的是找到一组语义对应，称为对齐，相关的本体之间。近年来，有越来越多的兴趣，高效和有效的匹配方法，大型本体。然而，大多数大型本体产生的对齐在逻辑上是不连贯的。直到最近，使用修复技术来提高本体对齐的质量才被探索。在本文中，我们提出了一种新的技术，用于检测不连贯的概念本体模块化的基础上，和一个新的修复算法，最大限度地减少不连贯的结果对齐和匹配的数量从输入对齐。一个实现完成的一部分，一个轻量级的版本的ProximementMaker系统，一个成功的本体匹配平台，并使用一组四个基准生物医学本体匹配任务进行评估。我们的研究结果表明，我们的实施是有效的，并产生更好的对齐方面的连贯性和f-措施比国家的最先进的修复工具。他们还表明，我们的实现是一个更好的替代方案，产生连贯的银标准的路线。
2013-07-19 cs.AI
Ontology Matching Techniques: A Gold Standard Model
VIT University（韦洛尔理工学院）；EFREI（法国电子与计算机信息学院）
通常，本体匹配技术是在诸如结构、语义、语法、实例等的各种抽象级别上操作的非常不同类型的匹配器的组合。一般而言，期望在所有可能的抽象级别上采用匹配器的本体匹配技术在精度方面给出最佳结果，由于匹配机会的改进，以及如果我们忽视效率问题，则可以通过更好的计算资源（例如并行处理）来改进召回率和F度量。通过对本体匹配技术的模型分类，提出了一种金标准本体匹配模型。还基于金标准本体匹配模型定义了合适的度量标准。回顾了该领域最近的研究论文中指定的各种本体匹配技术，根据新提出的金标准模型对本体匹配技术进行分类，并计算了整个组的度量值。上述研究结果支持了提出的金标准本体匹配模型。
2018-11-26 cs.AI cs.DB
Matching Weak Informative Ontologies
Southeast University（东南大学）
本文针对弱信息本体（WIOs）匹配难题，提出利用本体结构信息、语义子图约束和相似度传播模型的方法，并在Lily系统中实现，在OAEI基准上显著提升了召回率和精度。
2023-12-01 cs.AI
Breaking-down the Ontology Alignment Task with a Lexical Index and Neural Embeddings
The Alan Turing Institute（艾伦·图灵研究所）；University of Oslo（奥斯陆大学）；Medical University of Vienna（维也纳医科大学）；Miami University（迈阿密大学）
大型本体仍然对最先进的本体对齐系统提出了严峻的挑战。在本文中，我们提出了一种方法，结合了词汇索引，神经嵌入模型和局部模块，有效地将输入本体匹配任务划分为更小，更容易处理的匹配（子）任务。我们已经进行了全面的评估，使用本体对齐评估计划的数据集。结果是令人鼓舞的，并表明，所提出的方法是足够的，在实践中，可以集成在工作流程中的国家的最先进的系统。
2018-05-31 cs.AI
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
Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules
City, University of London（伦敦大学城市学院）；University of Oslo（奥斯陆大学）；Medical University of Vienna（维也纳医科大学）；University of Oxford（牛津大学）；Miami University（迈阿密大学）
大型本体仍然对最先进的本体对齐系统提出了严峻的挑战。在本文中，我们提出了一种方法，结合了神经嵌入模型和基于逻辑的模块，以准确地将输入本体匹配任务划分为更小，更易于处理的匹配（子）任务。我们已经进行了全面的评估，使用本体对齐评估计划的数据集。结果是令人鼓舞的，并建议，所提出的方法是足够的，在实践中，可以集成在工作流程中的系统无法应付非常大的本体。
2020-02-25 cs.AI
Using MathML to Represent Units of Measurement for Improved Ontology Alignment
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）
本体提供了知识领域中概念及其关系的形式化描述。本体对齐的目标是在独立开发的本体中识别语义匹配的概念和关系，这些本体声称描述相同的知识。为了处理尽可能广泛的本体类，许多对齐算法依赖于术语和结构方法，但概念的模糊性使匹配过程复杂化。然而，由于其数学性质，应该提供明确匹配解决方案的一个领域是测量单位。有几种测量单位的理论可用，但没有尝试将它们统一起来，尽管技术互操作性具有明显的重要性。我们提出了一个通用的策略来映射这些（和类似的）本体，通过引入MathML来准确地捕捉其中指定的概念的语义描述。我们提供了三个本体的映射结果，并表明我们的方法提高了词汇比较。
2013-07-05 cs.AI
Supervised Ontology and Instance Matching with MELT
University of Mannheim（曼海姆大学）；SAP SE（思爱普股份公司）
在本文中，我们提出了MELT-ML，一个机器学习扩展的匹配和评估工具包（MELT），促进应用监督学习的本体和实例匹配。我们的贡献是双重的：我们提出了一个开源的机器学习扩展的匹配工具包，以及两个监督学习用例演示的新扩展的功能。
2020-09-20 cs.AI cs.DB cs.LG
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
Structural Weights in Ontology Matching
University of Sistan and Baluchestan（锡斯坦-俾路支斯坦大学）；University of Isfahan（伊斯法罕大学）
本体匹配发现不同本体的相似实体之间的对应关系。两个本体可能在结构、语义等方面相似。大多数本体匹配系统集成多个匹配器来提取两个本体可能具有的所有相似性。因此，我们面临着一个主要的问题，以聚合不同的相似性。一些匹配系统使用实验权重来聚合不同匹配器之间的相似性，而其他匹配系统使用机器学习方法和优化算法来找到分配给不同匹配器的最佳权重。然而，这两种方法都有自己的不足之处。本文将指出现有相似性聚合策略存在的问题和不足。然后，我们提出了一种新的策略，这使我们能够利用本体的结构信息来获得匹配器的权重，相似性聚合任务。为了实现这一目标，我们创建了一个新的本体匹配系统，它使用三个可用的匹配器，即GMO，ISub和VDoc。我们已经在OAEI 2012数据集上测试了我们的相似性聚合策略。实验结果表明，在几种情况下，特别是在匹配本体类的准确性显着提高。我们将比较我们的相似性聚合策略与其他知名的策略的性能
2013-11-15 cs.AI cs.IR
A Self-matching Training Method with Annotation Embedding Models for Ontology Subsumption Prediction
The University of Electro-Communications（电气通信大学）
针对现有本体嵌入在概念包含预测中难处理相似/孤立实体、缺全局标注信息的问题，提出适配InME、CoME两种嵌入的自匹配训练方法，在多个本体基准上取得优于现有方法的表现。
2024-03-10 cs.AI cs.CL cs.LG
OM4OV: Leveraging Ontology Matching for Ontology Versioning
Australian National University（澳大利亚国立大学）；Monash University（墨尔本大学）
本文系统分析了本体匹配与本体版本控制的异同，提出OM4OV框架以提升版本控制支持。通过Agent-OM系统实现并评估，发现现有本体匹配系统在版本控制任务中需优化以避免偏差和性能问题。
2026-10-19 cs.AI cs.CL cs.IR
CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning
CMOMgen是首个端到端复杂多本体匹配策略，利用模式引导的上下文学习和检索增强生成，在生物医学任务中优于基线，F1分数最低63%，46%映射获最高分。
2025-10-24 cs.AI
Complex Ontology Matching with Large Language Model Embeddings
Universidade Federal Rural de Recife（累西腓联邦农村大学）
本文提出将 LLM 嵌入整合到基于对齐需求与 ABox 关系发现的表达性本体对应方法中，通过子图环境匹配及多项架构改进，使 F-measure 较基线提升 45%。
2025-02-19 cs.AI cs.CL
RIO: Minimizing User Interaction in Ontology Debugging
Alpen-Adria Universität（阿尔卑斯-亚德里亚大学）
高效的本体调试是语义Web环境中许多活动的基石，特别是当自动工具产生本体（部分）时，例如在本体匹配领域。目前已知的最好的交互式调试系统依赖于一些Meta信息的故障概率，这可以加快调试过程中的好的情况下，但也可以在坏的情况下的性能产生负面影响。问题在于，对Meta信息的评估只能在事后进行。因此，只要实际故障未知，就总是存在一些次优交互诊断区分的风险。作为一种替代办法，人们可能更愿意依靠一种追求无风险战略的工具。然而，在这种情况下，可能无法利用精心选择的Meta信息，从而再次导致低效的调试操作。在这项工作中，我们提出了一个强化学习策略，不断适应其行为取决于实现的性能，并最大限度地减少使用低质量的Meta信息的风险。因此，该方法适用于难以获得可靠的先验故障估计的应用场景。在本体匹配领域使用有问题的本体，我们表明，建议的风险感知查询策略优于主动学习方法和无风险的策略，平均而言，所需的用户交互量。
2012-09-17 cs.AI
Semantic-Driven e-Government: Application of Uschold and King Ontology Building Methodology for Semantic Ontology Models Development
Vaal University of Technology（瓦尔理工大学）；North-West University（西北大学）
电子政务是近六年来本体论发展最活跃的领域之一。在电子政务中，本体被用来描述和指定电子政务服务（电子服务），因为它们可以轻松地组合，匹配，映射和合并各种电子政务服务。更重要的是，它们还促进了电子政务服务的语义集成和互操作性。然而，目前的文献中还不清楚如何将现有的本体构建方法应用于政府服务领域的语义本体模型。在本文中，Uschold和King本体构建方法的应用，开发语义本体模型在政府服务领域。首先，提出并讨论了Uschold和King方法，并将其应用于政府领域本体的构建。其次，领域本体的语义一致性评估使用其半形式化的描述逻辑表示。第三，对齐的领域本体与语言和认知工程的描述性本体（DOLCE）的上层本体绘制，使其更广泛的可见性，并促进其与现有的元数据标准的集成。最后，用Web本体语言（OWL）对领域本体进行形式化描述，使其能够被计算机自动处理。该研究旨在为现有的本体构建方法在电子政务领域特定的本体模型的语义Web开发过程中的应用提供方向，这将使其在其他电子政务项目中的可重复性，并加强在电子政务中采用语义技术。
2011-11-08 cs.AI
Ontology Matching Through Absolute Orientation of Embedding Spaces
SAP SE（SAP思爱普公司）；University of Mannheim（曼海姆大学）
本体匹配是创建可互操作和链接的开放数据集时的核心任务。在本文中，我们探索了一种新的基于结构的映射方法，它是基于知识图谱嵌入：要匹配的本体被嵌入，并被称为绝对方向的方法被用来对齐两个嵌入空间。接下来的方法，本文提出了一个第一，初步评估使用合成和真实世界的数据集。我们发现，在实验中与合成数据，该方法的工作非常好，类似结构的图形，它处理对齐噪声比本体的大小和结构差异。
2022-04-08 cs.AI cs.DB cs.IR
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
OntologyBench: Can Dense Retrieval Satisfy Structured Biomedical Constraints?
The University of British Columbia（不列颠哥伦比亚大学）；BC Children’s Hospital Research Institute（不列颠哥伦比亚省儿童医院研究所）
本文提出生物医学检索基准OntologyBench，发现稠密检索在关系及组合任务上性能不足，微调有助提升，而重排序和LLM方法改进有限，需结合结构化知识。
2026-09-09 cs.AI
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
Machine Learning-Friendly Biomedical Datasets for Equivalence and Subsumption Ontology Matching
University of Oxford（牛津大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）；Samsung Research（三星研究院）
针对OAEI在包含映射、参考映射和ML评估上的不足，本文构建五个来自Mondo与UMLS的生物医学本体匹配任务及综合评估框架，并在OAEI 2022 BioML track公开。
2023-07-23 cs.AI cs.LG q-bio.GN
Automatic Knowledge Base Evolution by Learning Instances
Korea Advanced Institute of Science and Technology（韩国科学技术院）
知识库是在整个网络中存储结构化和非结构化数据的方式。由于网络的规模正在迅速增加，因此以完全自动化的方式构建知识的需求非常巨大。然而，语义Web上的全自动知识库进化是一个重大的挑战，虽然有许多本体进化技术可用。因此，本体的自动学习对语义网的发展有着重要的意义。在本文中，我们提出全自动本体学习算法，以产生不完整的知识库和rdf-三元组的精知识库。我们的算法是数据驱动的方法，它是基于每个实例的属性。本体类是通过概括其实例的频繁属性来细化的。通过使用开发的类信息，每个实例都可以找到它最匹配的类。通过重复这两个步骤，我们实现了从不完整的基础知识库的本体进化的全自动化。
2016-04-04 cs.AI
Interactive Ontology Matching with Cost-Efficient Learning
NEC Laboratories Europe（欧洲 NEC 实验室）；Springer Nature（施普林格·自然）；Zurich University of Applied Sciences（苏黎世应用科技大学）；Universidad de Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）
针对现有本体匹配方法因类别不平衡导致人力成本高的“最后一英里”问题，提出适配本体匹配的主动学习方法DualLoop，在多数据集上表现更优且已在AEC行业落地应用。
2024-04-11 cs.AI cs.DB cs.LG
Ontology based system to guide internship assignment process
Université de Lyon（里昂大学）；Université Lumière Lyon 2（里昂第二大学）；DISP Lab EA4570（DISP实验室 EA4570）；Qatar University（卡塔尔大学）
实习分配对于大学来说是一个复杂的过程，因为有必要考虑到多种变量，以在公司的要求和学生在大学培训期间获得的能力之间建立妥协。这些变量构成了一个复杂的关系图，需要制定一个详尽和严格的概念计划。在这项研究中，领域本体论模型提出了支持学生的决策机会的大学学习水平的大学卢米埃尔里昂2（里昂）教育系统。本体的设计和创建使用方法论的方法提供了改进的渐进式创建，捕获和知识衔接的可能性。在本文中，我们画了一个平衡，采取跨学生的能力的公司的要求。这将通过建立一个教育学习者的个人资料和实习职位的本体模型来实现，实习职位是用自由文本和不受控制的词汇写的。此外，我们概述了提高查询结果的质量的语义匹配的过程。
2017-01-18 cs.AI
Semantic Alignment of Multilingual Knowledge Graphs via Contextualized Vector Projections
Abhishek Kumar
本文提出了一种基于上下文向量投影的多语言知识图谱语义对齐方法，通过改进的嵌入生成和余弦相似度匹配，提升了跨语言本体对齐的精度和召回率。
2026-01-20 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
Contextualized Structural Self-supervised Learning for Ontology Matching
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（卢蒙巴大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有深度本体匹配模型存在的参考对齐缺失、推理延迟高、图结构利用不足等问题，提出融合概念上下文与结构信息的自监督本体匹配框架LaKERMap，在Bio-ML数据集上的对齐质量和推理速度均优于当前最优系统。
2023-10-05 cs.AI cs.CL cs.LG
Improving Statistical Multimedia Information Retrieval Model by using Ontology
GGS Indraprastha University（GGS 因德拉普拉萨大学）
一个典型的信息检索系统，提供和存储信息之间的匹配问题的用户查询和Web上可用的内容。使用本体表示的形式，由节点，边缘，索引词等网络图的检索方法提供相关性，从而满足用户的查询提取的术语。本文还着重对多媒体文档进行了分析，并利用不同的统计公式对提取的术语进行了计算。所提出的模型减少了语义鸿沟，有效地满足用户的需求。
2017-03-21 cs.AI cs.IR
A Framework for Evaluating Agricultural Ontologies
Tel-Aviv University（特拉维夫大学）；Ben Gurion University of the Negev（本·古里安大学内盖夫分校）
本体是领域知识的一种形式化表示，它可以被机器解释。近年来，本体已经成为领域知识表示的主要工具，并且是许多知识管理系统、决策支持系统和其他智能系统的核心组成部分，特别是在农业背景下。然而，对现有农业本体论文献的回顾表明，大多数提出农业本体论的研究都缺乏明确的评价程序。这是不希望的，因为没有结构良好的评估过程，很难考虑本体的研究和实践的价值。此外，它是很难依赖于这样的本体，并共享它们的语义Web或语义感知应用程序之间。随着越来越多的基于本体的农业系统和语义网的日益普及，它成为必要的，这样的发展和评价方法，提出了指导未来的努力本体发展。我们的工作有助于农业本体的文献，提出了一种方法来评估农业本体，这似乎是从大多数现有的研究农业本体缺失。该框架支持匹配适当的评价方法为一个给定的本体的基础上本体的目的。
2019-06-26 cs.AI
Ontology-Guided Evidence Path Inference for Multi-hop Knowledge Graph Question Answering
National University of Defense Technology（国防科技大学）；Pengcheng Laboratory（鹏城实验室）
提出OPI框架，利用关系中心本体图进行双向检索和迭代精炼，解决多跳KGQA中搜索空间爆炸和语义约束问题，在WebQSP、CWQ和MetaQA上显著提升性能。
2026-06-29 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
SANOM Results for OAEI 2019
Delft University of Technology（代尔夫特理工大学）；TNO Research institute（TNO研究院）
基于模拟退火的本体匹配（SANOM）第二次参加2019年本体对齐评估计划（OAEI）。本文介绍了SANOM的配置及其在解剖和会议轨道上的结果。与OAEI 2017相比，SANOM有了显着改善，其结果与最先进的系统相比具有竞争力。特别是，SANOM在会议跟踪中的参与系统中具有最高的召回率，并且在F-测量方面与表现最好的系统AML竞争。SANOM在解剖学方面也与LogMap具有竞争力，LogMap是该领域中性能最好的系统，无需使用特定的生物医学背景知识。SANOM已被改编为HOBBIT平台，现在可供注册用户使用。
2020-06-09 cs.AI
Curate Before You Connect: Identity and Ontology Tagging in a Production Knowledge Graph
Konectu（科内克图）
本文针对生产型知识图谱的身份与本体标注问题，提出记录身份阶梯策略及锚定证据的本体标注方法，构建了含53万余实体的政府文档知识图谱，解决了实体合并的不可逆转错误等问题。
2026-08-12 cs.AI
BERTMap: A BERT-based Ontology Alignment System
University of Oxford（牛津大学）；Samsung Research（三星研究院）
本体对齐（也称为本体匹配（OM））在知识集成中起着至关重要的作用。由于机器学习在许多领域的成功，它已经在OM中得到了应用。然而，现有的方法，往往采用ad-hoc特征工程或非上下文词嵌入，尚未优于基于规则的系统，特别是在无监督的设置。在本文中，我们提出了一种新的OM系统命名BERTMap，它可以支持无监督和半监督设置。该方法首先在文本语义语料库上使用基于上下文嵌入模型BERT的分类器预测映射，然后利用本体的结构和逻辑，通过扩展和修复来细化映射。我们对生物医学本体的三个对齐任务的评估表明，BERTMap通常比领先的OM系统LogMap和AML表现得更好。
2022-05-03 cs.AI cs.CL cs.LG
Automated Skill Decomposition Meets Expert Ontologies: Bridging the Granularity Gap with LLMs
Université de technologie de Compiègne, CNRS, Heudiasyc（法国图卢兹技术大学、CNRS、Heudiasyc）
本文研究基于LLM的自动化技能分解，提出基于本体的评估框架，引入语义和层次感知F1分数，并构建基准，为开发本体忠实的技能分解系统提供可复现基础。
2025-10-13 cs.AI
Matching with Transformers in MELT
Data and Web Science Group, University of Mannheim（曼海姆大学数据与网络科学组）；SAP SE Business Technology Platform - One Domain Model（SAP SE 业务技术平台 - 单一域模型）
本体和知识图谱自动匹配的最强信号之一是概念的文本描述。通常应用的方法（例如基于字符或标记的比较）相对简单，因此无法捕获文本的实际含义。随着基于transformer的语言模型的兴起，基于意义（而不是词汇特征）的文本比较成为可能。在本文中，我们建模的本体匹配任务的分类问题，并提出了基于Transformer模型的方法。我们还提供了一个易于使用的MELT框架，这是适合本体和知识图谱匹配的实现。我们表明，基于transformer的过滤器有助于选择正确的对应关系给出了高召回对齐，并已经取得了良好的效果与简单的对齐后处理方法。
2021-09-15 cs.AI cs.CL cs.IR
Truveta Mapper: A Zero-shot Ontology Alignment Framework
Truveta
本研究将本体匹配视为翻译任务，提出零样本端到端框架Truveta Mapper，基于多任务序列到序列Transformer实现跨本体对齐，在OAEI22基准上优于现有方法，且复杂度低、后处理少。
2023-08-22 cs.AI cs.CL cs.LG
Calculating Semantic Similarity between Academic Articles using Topic Event and Ontology
State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）
确定学术文档之间的语义相似度对于剽窃检测、自动技术调查和语义搜索等任务至关重要。目前的研究主要集中在概念、句子和短文本片段之间的语义相似度。然而，文档级语义匹配仍然基于表层的统计信息，忽略了文章结构和全局语义，这可能会导致文档理解的偏差。针对学术文献的文档级语义相似性问题，提出了一种新的方法。该方法以主题事件表示学术文章，利用研究目的、研究方法和研究领域等多个信息描述学术文章的研究工作，并基于领域本体计算主题事件之间的相似度，得到文章之间的语义相似度。实验表明，我们的方法实现了显着的性能相比，国家的最先进的方法。
2017-11-30 cs.AI cs.CL cs.IR
DKP-AOM: results for OAEI 2015
Université Lumière Lyon2（里昂第二大学）
在本文中，我们介绍了我们的DKP-AOM系统在OAEI 2015活动中获得的结果。AOM是一个本体合并工具，旨在合并异构本体。在OAEI中，我们参与了其本体映射组件，该组件作为一个基本模块，能够在合并之前匹配大规模本体。这是我们第一次成功参加会议，OA 4 QA和OAEI的解剖学轨道。DKP-AOM参与了两个版本（DKP-AOM和DKP-AOM_lite），DKP-AOM执行一致性分析。在OA 4 QA跟踪中，DKPAOM在评估中表现出色，并生成了准确的比对，可以回答评估中的所有查询。我们还可以看到它在其他知名系统中的评估计划中的会议轨道的竞争结果。在解剖轨迹中，它在分配的时间内产生了对齐，并出现在产生连贯结果的系统列表中。最后，我们讨论了一些未来的工作对DKP-AOM的发展。
2015-10-06 cs.AI
OntoAligner: A Comprehensive Modular and Robust Python Toolkit for Ontology Alignment
TIB - Leibniz Information Centre for Science and Technology（TIB - 莱布尼茨科学技术信息中心）；L3S Research Center, Leibniz University of Hannover（莱布尼茨汉诺威大学L3S研究中心）
OntoAligner是一个开源Python工具包，通过模块化架构集成模糊匹配、检索增强生成和大语言模型，解决现有本体对齐工具在可扩展性和集成性上的不足，实现高效高质量的大规模本体对齐。
2025-03-27 cs.AI cs.CL
Formal Ontology Learning on Factual IS-A Corpus in English using Description Logics
本体学习（Ontology Learning，OL）是在给定内容为自然语言（NL）的非结构化语料库的情况下生成本体形式的知识库的计算任务。在这一领域可以找到几项工作，其中大部分限于基于统计和词典-句法模式匹配的技术。这些技术并不能导致非常准确的学习，主要是因为在NL的几个语言的细微差别。正式OL是一种替代（较少探索）的方法，使用计算语言学中的理论和工具进行深入的语言学分析，以生成正式的公理和定义，而不是简单地归纳分类。本文提出了一种基于描述逻辑的形式化学习语言框架，用于英语事实IS-A类句子的学习。我们认为IS-A句子的语义构建并非易事。因此，我们也主张，这样的句子需要专门的研究，在任何真正正式的OL可以提出之前的背景下OL。我们介绍了一个学习工具，称为DLOL_IS-A，产生这样的本体的猫头鹰格式。我们采用了基于IS-A丰富的WCL v.1.1数据集和我们自己的社区代表IS-A数据集的“黄金标准”OL评估。与轻量级OL工具Text 2 Onto和正式OL工具FRED相比，我们观察到DLOL_IS-A的显著改进。
2016-03-08 cs.AI cs.CL
Automatic Semantic Modeling for Structural Data Source with the Prior Knowledge from Knowledge Base
Huazhong Agricultural University（华中农业大学）；Hubei HongShan Laboratory（湖北洪山实验室）；University of South Australia（南澳大学）；Wuhan University（武汉大学）；Macro Agricultural Research Institute（宏观农业研究院）
在线共享语义内容的关键步骤是将结构化数据源映射到公共领域本体。这个问题被表示为实体到本体映射问题（Rel2Onto）。手动建模数据的语义需要大量的工作和专业知识。因此，需要一种用于学习数据源的语义的自动方法。现有的工作大多研究源属性的语义标注。然而，虽然关键，自动推断属性之间的关系的研究是非常有限的。在本文中，我们提出了一种新的方法，语义注释结构化数据源使用机器学习，图匹配和修改频繁子图挖掘，以修改候选模型。在我们的工作中，知识图谱被用作先验知识。我们的评估表明，我们的方法优于两个国家的最先进的解决方案，在棘手的情况下，只有少数语义模型是已知的。
2022-12-21 cs.AI
Agreement Maintenance Based on Schema and Ontology Change in P2P Environment
Gunadarma University（贡达玛大学）
提出了一种基于语义距离的语义一致性维护方法，通过计算局部模式或本体的变化来实现。这种方法在动态自治环境中具有重要意义，目前的方法假设静态环境中的协议或映射。本研究的贡献在于提出一个基于语义协议维护的P2P环境下的框架。该框架基于两级混合P2P模型体系结构，由两种类型的节点组成：（1）超级节点，用于注册和管理其他节点;（2）简单节点，作为简单节点，输出和共享自己的内容。本文提出了一种P2P环境下的语义一致性维护模型，解决了现有的基于本体和局部模式的P2P语义一致性维护方法在静态和动态情况下存在差异，无法及时了解语义一致性变化的问题。主要问题是如何计算局部模式或公共本体的变化，并根据计算结果来确定哪种算法在维护协议。在印度尼西亚的工作匹配域的实验已经完成，以显示多远的性能的方法。实验结果表明：（i）修改越多，F-测度值越小;（ii）不同修改类型（添加、删除、重命名）的F-测度值没有显著差异;（iii）正确选择算法会提高F-测度值。
2010-03-16 cs.AI cs.DB
A New Approach for Semantic Web Matching
University of Isfahan（伊斯法罕大学）；Islamic Azad University（伊斯兰阿扎德大学）
在这项工作中，我们提出了一种新的方法，语义Web匹配，以提高Web服务替换的性能。因为在自动化系统中，我们应该确保自我修复，自我配置，自我优化和自我管理，所有服务应该始终可用，如果其中一个崩溃，应该用最相似的服务替换。候选服务以统一描述、发现和集成（Universal Description，Discovery and Integration，缩写为OWL）的形式发布。利用二分图的方法，对故障服务和候选服务进行匹配。然后我们选择最好的服务，它具有最大的匹配率。事实上，我们比较了两个服务的功能和能力，看看它们有多匹配。我们发现，匹配两个Web服务的最佳方法是比较它们的功能。
2021-07-06 cs.AI cs.IR
Improving Interoperability among Defence and National Security Ontologies: Analysis and Evaluation Tasks
City St George’s, University of London（伦敦城市圣乔治大学）；Universidade de Lisboa（里斯本大学）；Defence Science and Technology Laboratory（国防科学技术实验室）；The Alan Turing Institute（艾伦·图灵研究所）
本研究针对国防与国家安全本体互操作难题，分析记录60余种公开本体，为OAEI新增含8项任务的赛道，构建共识对齐与银标准映射，为相关评估提供支撑。
2026-08-07 cs.AI
Ontological Relations from Word Embeddings
K Team, LORIA, Université de Lorraine（洛林大学LORIA研究所K团队）
本文研究如何利用多个预训练模型的词嵌入预测上层本体和通用本体中类与属性之间的关系，证明简单前馈架构即可取得可观准确率，并构建数据集以支持后续模型增强和应用拓展。
2024-08-01 cs.AI
Ontology-Based Recommendation of Editorial Products
The Open University（开放大学）；Springer-Verlag GmbH（施普林格-维尔格有限公司）
主要的学术出版商需要能够分析其庞大的产品目录，并选择最好的项目在科学场所销售。这是一项复杂的工作，需要高度精确地描述数千本书的主题，并将其与相关社区的兴趣相匹配。在Springer Nature中，这项任务传统上由出版编辑手动处理。然而，科学出版物数量的快速增长和计算机科学领域的动态特性使得这种解决方案越来越低效。我们通过创建智能图书推荐器（SBR）来解决这个问题，SBR是开放大学与施普林格·自然合作开发的基于本体的推荐系统，支持他们的计算机科学编辑团队选择产品在特定场所销售。SBR通过利用约27K编辑产品的语义增强表示来推荐与会议相关的书籍、期刊和会议记录。这是基于计算机科学本体论，一个非常大规模的，自动生成的分类研究领域。SBR还允许用户调查为什么系统建议某个出版物。它通过一个交互式图形视图来实现这一点，该视图显示推荐的编辑产品的主题分类，并将其与输入会议的以主题为中心的特征进行比较。由七位Springer Nature编辑和七位研究人员进行的评估证实了该解决方案的有效性。
2021-03-24 cs.AI cs.DL cs.IR
An Integrated Framework of Prompt Engineering and Multidimensional Knowledge Graphs for Legal Dispute Analysis
School of Software, Yunnan University（软件学院，云南大学）；Yunnan Provincial Key Laboratory of Software Engineering（云南省软件工程重点实验室）；School of Law, Yunnan University（法学院，云南大学）
针对大语言模型在法律纠纷分析中存在的概念理解、推理一致性及法律引用难题，提出融合三阶段分层提示结构与三层知识图谱的集成框架，搭配四种检索方法，显著提升多项分析指标，为智能法律辅助提供新技术路径。
2025-08-30 cs.AI
GraphMatcher: A Graph Representation Learning Approach for Ontology Matching
Free University of Berlin（柏林自由大学）
针对本体互操作性问题，本研究提出基于图注意力机制的本体匹配系统GraphMatcher，通过计算类及其周围术语的高阶表示来对齐语义相似实体，并在OAEI 2022会议赛道中取得显著成果。
2024-04-20 cs.AI
KROMA: Ontology Matching with Knowledge Retrieval and Large Language Models
Case Western Reserve University（凯斯西储大学）
KROMA提出一种基于检索增强生成和大语言模型的本体匹配框架，通过知识检索、提示增强与本体精炼优化性能，在多个基准上超越经典及LLM方法。
2025-09-11 cs.AI
Wikontic: Constructing Wikidata-Aligned, Ontology-Aware Knowledge Graphs with Large Language Models
Cognitive AI Systems Lab（认知人工智能系统实验室）；Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究所）；London Institute for Mathematical Sciences（伦敦数学科学研究所）
Wikontic通过多阶段流程构建维基数据对齐、本体感知的知识图谱，提升KG质量并实现高效构建。
2026-01-29 cs.AI cs.CL cs.LG
GenOM: Ontology Matching with Description Generation and Large Language Model
The University of Manchester（曼彻斯特大学）
GenOM通过生成文本定义增强本体概念语义，结合嵌入模型检索对齐候选并利用精确匹配工具提升精度，实验表明其在生物医学领域表现优异，超越传统系统和近期大语言模型方法。
2026-04-02 cs.AI
Control-Anchored Residual Flow Matching Conditioned on Gene Geometry for Virtual Cell Perturbation Modeling
East China Normal University（华东师范大学）；Peking University（北京大学）；University of Science and Technology of China（中国科学技术大学）；Nanjing University（南京大学）；Shanghai Jiao Tong University（上海交通大学）
该研究提出GeneGeoFlow模型，利用基因本体和控制衍生共表达网络的多尺度谱坐标构建扰动条件基因几何，结合控制锚定残差流与条件最优传输，在虚拟细胞扰动转录响应预测任务中取得优异性能。
2026-08-10 cs.AI q-bio.MN
